fgsm算法三线表

### FGSM算法实验结果的三线表示例 以下是基于FGSM（Fast Gradient Sign Method）攻击算法设计的一个典型实验结果三线表模板。此表格可用于展示模型在不同超参数设置下的鲁棒性和性能变化。 | 参数配置 | 原始分类准确率(%) | 受扰动后准确率(%) | 平均扰动强度(L∞范数) | |----------|-------------------|--------------------|-----------------------| | ε=0.01 | 97.2 | 85.4 | 0.01 | | ε=0.03 | 97.2 | 62.8 | 0.03 | | ε=0.05 | 97.2 | 41.3 | 0.05 | | ε=0.1 | 97.2 | 12.7 | 0.1 | 以上表格展示了针对某图像分类任务，在应用FGSM攻击时的不同ε值下，原始模型的分类准确率以及受扰动后的分类准确率的变化情况[^1]。平均扰动强度反映了所施加噪声的最大绝对值大小。 对于更复杂的场景或者对比多个防御方法的效果时，可以扩展列的数量来增加更多的指标项，比如： - 防御前/后准确率； - 不同类型的对抗样本生成方法（如PGD, CW等）的结果比较； - 计算资源消耗（时间成本、内存占用等）。 下面是一个稍微复杂一点的例子，它增加了关于两种常见防御策略的数据： | 参数配置 | 原始准确率(%) | FGSM攻击后无防护 (%) | FGSM+随机平滑 (%) | FGSM+对抗训练 (%) | L∞范数 (最大扰动幅度) | |----------|---------------|----------------------|--------------------|--------------------|------------------------| | ε=0.01 | 97.2 | 85.4 | 92.1 | 94.5 | 0.01 | | ε=0.03 | 97.2 | 62.8 | 78.3 | 85.2 | 0.03 | | ε=0.05 | 97.2 | 41.3 | 62.7 | 71.5 | 0.05 | | ε=0.1 | 97.2 | 12.7 | 45.6 | 53.4 | 0.1 | 这种形式不仅能够清晰地表达单一变量的影响，还能直观看出多种因素共同作用下的效果差异。 ```python import pandas as pd data = { 'Parameter Configuration': ['ε=0.01', 'ε=0.03', 'ε=0.05', 'ε=0.1'], 'Original Accuracy (%)': [97.2]*4, 'Accuracy After Attack (%)': [85.4, 62.8, 41.3, 12.7], 'Average Perturbation Strength (L∞ Norm)': [0.01, 0.03, 0.05, 0.1] } df = pd.DataFrame(data) print(df.to_markdown(index=False)) ``` 通过上述代码片段可快速生成Markdown格式的三线表，便于嵌入到文档中作为实验数据分析的一部分。