{“status”：“ok”，“message-type”：“work”，”message-version“：“1.0.0”，“消息”：{“indexed”:{“date-parts”：[[2024,6,11]]，“date-time”：“2024-06-11T07:51:06Z”，“timestamp”：1718092266609}，“publisher-location”：“California”，“reference-count”：0，“publish”：“International Joint Conferences on Artificial Intelligence Organization”，“content-domain”：[]，“交叉标记限制”：false｝，“短容器标题”：[]，“已出版印刷品”：｛“日期部分”：[[2019,8]]｝，“摘要”：“对手示例故意导致模型分类错误，这引起了人们对机器学习技术安全方面的关注。许多现有的对抗措施被适应性对手和转移的示例所破坏。我们提出了一种模型识别方法，通过分析随机扰动下模型对输入的响应来解决该问题，并在理论框架内研究了检测正常边界对抗性失真的鲁棒性。我们对MNIST、CIFAR-10和ImageNet数据集进行了广泛的评估。结果表明，我们的检测方法对包括黑盒攻击和四种对抗性自适应的强大CW攻击在内的各种攻击都是有效且有弹性的<\/jats:p>“，”DOI“：”10.24963\/ijcai.2019\/651“，”type“：”proceedings-article“，”created“：{”date-parts“：[[2019,7,28]]，”date-time“：”2019-07-28T03:46:05Z“，”timestamp“：1564285565000}，”source“：“Crossref”，“is-referenced-by-count”：10，”title“：[”Model-Agnostic Adversarial Detection by Random Perturbations“]，”prefix“：”10.24963“，“作者”：[{“给定”：“Bo”，“家庭”：“黄，“sequence”：“first”，“affiliation”：[{“name”：“中国东莞东莞理工大学”}，{“name”：“深圳大学，中国深圳”}]}，}“given”：“Yi”，“family”：“Wang”，“segment”：“additional”，“fessiliation”（顺序）：“addressive”，“隶属关系”：[}“name:“Donghuang University of Technology，China Donghong，China”}]{“giving”：“Wei”，”“families”：“王”，“序列”：“附加”隶属关系“：[{”name“：”The University of New South Wales，Sydney，Australia“}]}]，”member“：”10584“，”event“：”name“:”Twenty-Eighth International Joint Conference on Artificial Intelligence{IJCAI-19}“，”theme“：”Artificular Intelligation“，”location“：”China澳门“，”缩写“：”IJCAI-2019“，”number“：“28”“，”赞助商“：[”国际人工智能联合会议（IJCAI）“]，”开始“：{“日期部分”：[[2019,8,10]]}，”结束“：{“日期部分“：[[2019，8,16]]}}，“容器-标签”：[“第二十八届国际人工智能联合会议记录”]，”原文标题“：[]，”存放“：{”日期部分“:[[2019,18]]，”日期时间“：”2019-07-28T03:50:49Z“，”timestamp“：1564285849000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/www.ijcai.org\/procedures\/2019\/651”}}，“subtitle”：[]，“short title”：[]，“issued”：{“date-parts”：[[2019,8]]}，《references-count》：0，“URL”:“http://\/dx.doi.org\/10.24963\/ijcai 2019\/651“，”关系“：{}，”主题“：[]，”发布“：{”日期部分“：[[2019,8]]}}}