看来，我们还是不能对对抗样本问题掉以轻心。 上周，康奈尔大学的一篇论文表示，当图像识别算法应用于实际生活场景下（比如自动驾驶）时，可能不需要那么担心对抗样本问题。他们做了一系列实验，从不同角度和方向拍下受到干扰的停车标志的图片，将图像进行识别，结果表明，现有的对抗性干扰只在特定场景下适用。 康奈尔大学最新研究：对抗性样本是纸老虎，一出门就不好使！ 而近日，针对康奈尔大学的论文，OpenAI表示，他们已经生成了一些图像 ，当从不同大小和视角来观察时，能可靠地愚弄神经网络识别器。评论编译如下： 上图是通过标准彩色打印机打印出的猫咪照片，不管将它怎么缩放或旋转，都能愚弄识别器，让它认为图片里的是显示屏或台式电脑。这张图在人眼看来有点失真，OpenAI期望进一步调整参数,生成人眼看起来自然，但能骗过机器的对抗样本，这样的样本会有很高的危险性。 现有的对抗样本在图像不断变化的情况下失效了。上图展示了同一张受到对抗干扰的小猫图片，在经ImageNet训练的Inception v3上会被错误地识别为台式电脑。但将图片仅仅放大1.002倍，就会导致识别率的改变：正确标签“小花猫”覆盖了对抗标签“台式电脑”。 不过他们猜想，经过一定的努力可能会生成一个具有鲁棒性的对抗样本，因为已经证实了对抗样本能转移到现实世界。下面是他们生成的两个对抗样本。 大小无关的对抗样本 可以用一种称为投影梯度下降法（projected gradient descent）的优化方法，来找到针对图像的微小扰动，随意的愚弄识别器来创建对抗样本。 这种优化不是为了发现从单一视角具有对抗性的输入图像。在识别图像之前，通过众多随机识别器随意调整输入图像大小，通过对抗这样众多的输入来优化，产生了大小无关的鲁棒性对抗样本。 上图中不断调整图片的大小，仍能稳定愚弄识别器。 即 使只去修改与猫相对应的像素，仍能创造出在所有大小下都具有对抗性的受干扰图片。 变化无关的对抗样本 通过对训练干扰增加随机旋转、变化、缩放、噪音以及均值漂移，上面提到的方法同样能产生在任何变化下都保持对抗性的输入。 上图是变化无关的对抗样本。值得注意的是，图像显然比前面的例子受到了更多干扰。得到这个结果很好解释：微弱的对抗性干扰很难在经过多种不同的变换后还保持对抗性。 在实验时，变化是随机采样的，这证明他们生成的样本对所有变化都具有干扰性。