[发明专利]一种针对图像分类的稀疏对抗攻击问题的双分解方法

说明书

本发明公开了一种针对图像分类的稀疏对抗攻击问题的双分解方法，首先，将图像分类的稀疏对抗攻击问题建模为大规模多目标优化问题，图像的每个像素点为一个决策变量，随后执行双分解策略。外分解使用滑动窗口将大规模决策变量划分为小规模决策变量的重叠子集。每次滑动窗口滑动时，都会产生一个小规模的多目标优化问题。一旦生成小规模的多目标优化问题，内分解立即创建一组全局方向向量，将其转换为一组单目标优化问题。最后，采用块坐标下降策略对所有单目标问题进行优化，增强了优化过程中解的完整性和最优性。实验表明所提方法相较于其他算法在求解大规模多目标问题时有着更好的效果，在稀疏对抗攻击问题中相比其他算法能够找到最佳扰动。

技术领域

本发明涉及图像分类的稀疏对抗攻击领域，针对图像分类的稀疏对抗攻击，将该问题建模为大规模多目标优化问题，并设计了一种针对图像分类的稀疏对抗攻击问题的双分解方法。

背景技术

图像分类的稀疏对抗攻击问题的目标是找出可能会降低分类器性能的最小扰动。稀疏对抗性攻击的研究对自动驾驶安全、身份验证、深度学习的可解释性和深层神经的几何学网络具有重要意义。

图像分类的稀疏对抗攻击问题可以表示为有两个目标的多目标优化问题，分别为添加扰动的L1和L2范数。使用L0范数。因此，图像分类的稀疏对抗攻击问题建模为多目标优化问题。

多目标优化问题涉及超过一个相互冲突的目标，并且广泛存在于工业应用于科学研究，多目标优化问题的目标是寻找一组能够近似于帕累托最优前沿(PF)的帕累托最优解集(PS)。

进化计算被认为是适合解决多目标优化问题的方法，在近十年来已经有大量的多目标优化算法被提出，如NSGA-II、SPEA2、MOPSO、MOEA/D。这些方法仅考虑了决策变量较少的情况，而没有考虑决策变量较大时的情况。

随着大数据，云计算和物联网等技术的发展，带来了许多大规模优化问题，他们的决策变量个数往往超过100。这种问题被称为大规模多目标优化问题。

近年来有一些大规模多目标优化算法被提出，在大规模多目标优化问题上做了一些初步尝试。然而，对大规模多目标优化问题的研究还处于初级阶段。现有的算法在解的质量和计算效率上都需要改进。

滑动窗口是降低与向量有关问题的难度的典型方法。滑动窗口对特定大小的子向量而不是整个向量执行特定的算子，通过滑动窗口对决策变量进行分组，有助于降低大规模优化问题的整体求解难度。这也是本发明使用滑动窗口划分决策变量的原因之一。

块坐标下降算法是一种求解单目标优化问题的非梯度优化算法，块坐标下降算法的思想保证了单个解的完整性，因此有助于算法陷入局部帕累托最优，本发明也将块坐标下降算法引入到了大规模多目标优化问题中。

发明内容

本发明的目的在于提供一个新的解决图像分类的稀疏对抗攻击问题的方法，解决图像分类的稀疏对抗攻击问题的关键在于算法需要在进化过程中同时保证解的质量和求解效率。

为实现上述目的，本发明提出针对图像分类的稀疏对抗攻击问题的双分解策略，包括以下步骤：

1)设置图像种群规模N、双分解迭代次It、开始标记s_t、滑动窗口步长s、滑动窗口大小w、嵌入算法A、进化最大函数评价次数FEs；

2)随机生成初始图像种群P＝{x₁,x₂,…,x_i,…,x_N},其中x_i为初始化完毕的不同图像个体。

3)使用算法A优化图像种群P，直到函数评价次数大于或等于s_t；

4)对图像图像种群开始外分解操作：初始化滑动窗口，得到被滑动窗口覆盖的部分决策变量分量X_partial；