分布式学习中的纯边缘通用对抗攻击
研究提出一种新威胁模型：攻击者仅掌握分布式学习中模型的边缘部分（初始网络层），即可生成通用对抗扰动（UAP），通过操控边缘关键特征表示使未知云端组件产生误判。在 ImageNet 上的结果显示，该方法对未知云端部分具有较强攻击迁移性，并与经典白盒、黑盒方法进行了对比。这是分割推理中首个仅凭边缘知识实施的对抗攻击，凸显部分模型访问下的对抗鲁棒性问题。
研究提出一种新威胁模型：攻击者仅掌握分布式学习中模型的边缘部分（初始网络层），即可生成通用对抗扰动（UAP），通过操控边缘关键特征表示使未知云端组件产生误判。在 ImageNet 上的结果显示，该方法对未知云端部分具有较强攻击迁移性，并与经典白盒、黑盒方法进行了对比。这是分割推理中首个仅凭边缘知识实施的对抗攻击，凸显部分模型访问下的对抗鲁棒性问题。