Adversarial Attacks（對抗性攻擊）是在機器學習和人工智慧領域中，攻擊者透過對輸入數據進行微小且精心設計的擾動，使得模型產生錯誤判斷或錯誤預測的一種攻擊方式。這些擾動對人類來說幾乎不可察覺，但卻足以誤導模型。
Adversarial Attacks的定義與原理：
• 攻擊者給模型輸入被修改過的數據（稱為對抗樣本），誘使模型輸出錯誤結果，如錯誤分類或錯誤識別。• 擾動極小，但對模型卻有重大影響，因模型對輸入數據的特定模式非常敏感。
• 攻擊可以在訓練階段（數據投毒）或部署階段（規避檢測）實施。
主要類型：
• 對抗性樣本（Adversarial Examples）：通過對原始數據微調產生，攻擊模型。
• 逃避攻擊（Evasion Attacks）：修改輸入使模型無法正確檢測或分類。
• 數據投毒（Poisoning Attacks）：向訓練資料中注入惡意數據，改變模型行為。
• 模型竊取（Model Extraction）：盜用模型敏感信息，仿製模型。
影響與風險：
• 導致自動駕駛車輛誤判交通標誌，造成安全事故。
• 醫療影像診斷系統錯誤診斷病情。
• 臉部識別系統被欺騙，造成安全漏洞。
• 影響信任和應用普及，對AI安全提出挑戰。
防禦方法：
• 對抗訓練（在訓練時加入對抗樣本提升模型魯棒性）。
• 輸入數據的檢測和過濾。
• 使用防禦性蒸餾等技術加強模型穩健性。
簡單比喻：
Adversarial Attacks就像是在圖畫上輕輕添加一點點錯誤的筆觸，讓人眼看不出來，但卻讓AI錯誤識別畫中的內容。
總結：
Adversarial Attacks是以微小但針對性的數據擾動誤導機器學習模型做出錯誤決策的攻擊，對AI系統的安全性構成重大威脅，需採取專門技術加以防範。Adversarial Attacks（對抗性攻擊）是在機器學習中，攻擊者故意對輸入數據做出微小且精心設計的擾動，使得模型產生錯誤預測或錯誤判斷。這些擾動對人類觀察者而言幾乎不可察覺，但能有效誤導AI系統。
定義與原理
• 攻擊者以微小變化改變輸入數據（稱為對抗樣本），使模型產生錯誤結果，如將圖像錯誤分類。
• 攻擊可發生在模型訓練階段（數據投毒）或部署階段（逃避式攻擊）。
• 透過對模型敏感輸入的微調，達成迷惑和誤導模型的目的。
主要攻擊類型
• 對抗樣本（Adversarial Examples）：帶有細微噪聲的數據，誘導模型錯誤判斷。
• 逃避攻擊（Evasion Attack）：修改輸入避開檢測系統，如垃圾郵件或惡意軟體。
• 數據投毒（Poisoning Attack）：污染訓練數據，破壞模型學習表現。
• 模型竊取（Model Extraction）：盜用模型機密資料。
影響
• 可能導致自駕車誤判道路標誌。
• 醫療影像診斷錯誤。
• 臉部識別系統被欺騙等安全問題。
防禦策略
• 對抗訓練（在訓練資料加入對抗樣本）。
• 輸入檢測和數據淨化。
• 防禦性模型設計和監控。
簡單比喻：
像是在圖片上加上一層透明的「錯誤墨水」，肉眼難見但能讓AI誤判。
總結：
Adversarial Attacks是通過細微欺騙輸入數據，讓機器學習模型作出錯誤判斷的攻擊，對AI安全構成重大挑戰，需採用專門技術防範。
