projects/adversarial-lab

Adversarial Lab

在浏览器里运行的对抗攻击实验场：画一个或挑一个 MNIST 数字，在 L∞ 预算内用 FGSM、PGD 或指定目标的 PGD 攻击 CNN，一步步看预测被翻转，再通过梯度、迁移攻击与输入空间的决策地图，和经过 PGD 对抗训练的模型比较。攻击所需的梯度用纯 JavaScript 在访客的 CPU 上计算。

佐证

在 2,000 张 MNIST 测试图上以 PGD-40 评估：普通模型从 98.95% 的干净准确率在 ε = 0.2 时降到 0.2%；对抗训练模型在 ε = 0.2 仍有 92.2%、ε = 0.3 有 85.3%（干净准确率 97.92%）。附梯度遮蔽检查（每个 ε 下 PGD 都比 FGSM 与迁移攻击强）、与 PyTorch 误差在 1e-8 内的 JavaScript 梯度，以及只用 CPU 的训练与评估脚本。

这是方便分享的精简页面；完整、可交互的版本在终端作品集里。