Extracting CNNs in the Unknown-Architecture and Feedback-Agnostic Setting
该论文研究卷积神经网络（CNN）的密码分析式模型提取（cryptanalytic extraction），即在无法接触模型内部实现的前提下，仅通过黑盒查询反推网络结构与权重参数。此前的同类攻击普遍假设目标网络的架构已知，攻击目标仅限于恢复模
#CNN
共收录 11 条相关情报。
← 返回所有主题Delphi Scanner: efficient and interpretable static malware detection via API sequence modeling
该论文提出名为 Delphi Scanner 的 Windows PE 文件静态恶意软件检测系统，核心目标是同时兼顾三方面诉求：检测有效性、计算效率与分析可解释性。作者指出，传统静态检测常在三者之间取舍——基于特征签名的方法高效但难以泛化，
Faults That Fortify: CNN Adversarial Robustness via GPU Undervolting
卷积神经网络（CNN）面临对抗攻击脆弱性和训练成本高昂的双重挑战。对抗训练虽有效但计算开销巨大，尤其在向能量受限的边缘设备迁移时更为突出。本文提出在训练过程中对 GPU 进行欠压（undervolting）处理，通过降低供电电压引入随机故障
Algebraic Attack on Convolutional Neural Networks with Max Pooling
该论文针对卷积神经网络（CNN）中最大池化层的参数提取攻击进行了系统研究。参数提取攻击旨在通过黑盒输入-输出查询恢复深度神经网络的权重和偏置，此前已在基于ReLU的全连接神经网络（FCNN）上得到广泛探索，但在包含最大池化层的CNN中仍是空
Season: Spectrum-Aware Orthogonal Gradient Refinement for Transfer-Based Adversarial Attacks
本文提出一种名为 Season 的频谱感知正交梯度细化框架，用于提升基于迁移的对抗样本攻击在异构模型间的迁移性。研究背景是：卷积神经网络（CNN）偏向于利用局部纹理特征，而视觉Transformer（ViT）依赖全局形状特征，导致在CNN上
ThreatVisionAI: A Hybrid CNN-ViT Framework for Image-Based Malware Classification
传统的恶意软件检测方法在面对混淆或未知威胁时泛化能力不足。本文提出 ThreatVisionAI，一种混合恶意软件家族分类框架，它集成了原始图像 CNN、基于小波的 CNN 和 Vision Transformer (ViT)，以捕获恶意软
Image Encryption Algorithm Based on Convolutional Neural Networks and Dynamic S-Box Generation
本文提出了一种基于卷积神经网络（CNN）和动态S盒生成的图像加密算法，旨在克服传统固定S盒易受线性攻击和差分攻击的弱点。核心思想是利用CNN从输入图像中提取特征，并基于这些特征动态生成自适应S盒，从而实现像素级的替换加密。CNN训练后能够学
Architectural Bias in Face Presentation Attack Detection: A Comparative Study of Vision Transformers and Convolutional Neural Networks
本研究针对人脸活体检测（Face Presentation Attack Detection, PAD）系统中存在的种族偏倚问题，系统比较了Vision Transformer（ViT）架构与传统卷积神经网络（CNN）在跨种族场景下的表现。
Comparative Evaluation of Deep Learning Models for Fake Image Detection
该研究针对基于GAN的图像篡改技术日益成熟带来的数字取证挑战，系统比较了四种预训练CNN架构（VGG16、ResNet50、EfficientNetB0和XceptionNet）在假图像检测任务中的性能。通过统一的预处理和训练流程，对真实与
Attention-Guided Fusion of 1D and 2D CNNs for Robust ECG-Based Biometric Recognition
本文提出了一种基于注意力引导的1D与2D CNN融合框架，用于鲁棒的ECG生物特征识别。现有方法大多单独处理一维时间信号或二维时频表示，泛化能力有限。作者构建了一个端到端的混合架构：1D分支（采用InceptionTime）从原始ECG信号
LADDER: Multi-Objective Backdoor Attack via Evolutionary Algorithm.
本文提出了一种名为LADDER的新型多目标黑盒后门攻击方法，针对卷积神经网络（CNN），通过进化算法同时优化多个攻击目标。现有黑盒后门攻击通常将目标视为单目标优化问题，仅在单一域（如空间域）设计触发器，这会导致语义和鲁棒性受损，并引入视觉和