Exemples contradictoires et quiz sur la robustesse

Les réponses et les explications apparaissent au fur et à mesure que vous répondez au quiz.

1. Under a specified threat model, what is an adversarial example?
   • An input crafted to cause a model error using changes allowed by that threat model
   • Any ordinary prediction error on unmodified input
   • An input that must contain tiny, imperceptible pixel changes
   • A model update that improves accuracy on every distribution
2. Qu'est-ce qui distingue une attaque « boîte blanche » d'une attaque « boîte noire » ?
   • Les attaques en boîte blanche ne fonctionnent que sur les images blanches
   • En boîte blanche, l'attaquant a accès aux éléments internes/dégradés du modèle ; en boîte noire, seules les sorties
   • Les attaques par boîte noire sont toujours plus rapides
   • Les attaques en boîte blanche ne nécessitent aucun calcul
3. FGSM (Fast Gradient Sign Method) crée un exemple contradictoire en...
   • Mélange aléatoire des pixels
   • Recycler le modèle à partir de zéro
   • Faire un pas dans la direction du signe du gradient de perte par rapport à l'entrée
   • Recadrer l'image
4. What is adversarial training commonly used for?
   • Guaranteeing robustness to every possible attack
   • Proving a classifier is fair
   • Eliminating all clean-data errors
   • Improving robustness against the adversarial threat model represented during training
5. Pourquoi la « transférabilité » des exemples contradictoires est-elle préoccupante ?
   • Une attaque conçue sur une figurine trompe souvent les autres figurines, permettant ainsi des attaques en boîte noire.
   • Cela ralentit l'entraînement des modèles
   • Cela augmente les coûts de stockage
   • Cela n'affecte que les modèles audio
6. How are prompt-injection attacks related to image adversarial examples?
   • They are identical bounded pixel perturbations
   • Both exploit model vulnerabilities, but prompt injection has a distinct instruction and system threat model
   • Prompt injection requires changing model weights
   • Image adversarial examples only affect text prompts
7. Why must an adversarial-robustness report specify the perturbation norm and budget?
   • They determine the model’s number of parameters
   • They guarantee transfer to every attack
   • They define which input changes the reported robustness claim covers
   • They replace the need to state an attacker’s access
8. Which pair of measures helps distinguish clean performance from performance under a specified attack?
   • Training-set size and GPU memory
   • Tokenization rate and context length
   • Model file size and parameter dtype
   • Clean accuracy and robust accuracy under the stated attack setting