利用初始化导出的双层优化和动态序列截断推进广义迁移攻击

迁移攻击通过代理模型制作可迁移的对抗样本，引起了现实世界黑盒应用的极大兴趣。然而，现有工作本质上直接优化关于代理模型的单层目标，这通常导致攻击机制的可解释性差，并且对未知受害者模型的泛化性能有限。在这项工作中，我们通过建立初始化导出的双层优化范式，提出了BETAK（BilEvel Transfer AttacK）框架，该框架明确地重新表述了上层（UL）伪受害者攻击者和下层（LL）代理攻击者之间的嵌套约束关系。在算法上，我们引入了超梯度响应（HGR）估计作为对伪受害者攻击者可迁移性的有效反馈，并提出了动态序列截断（DST）技术来动态调整HGR的反向传播路径，同时减少计算开销。同时，我们进行了详细的算法分析，并提供了收敛性保证以支持LL代理攻击者的非凸性。广泛的评估表明，在针对不同受害者和防御方法的有目标和无目标攻击场景中，BETAK有显著改进（例如，针对IncRes-v$2_{ens}$的攻击成功率提高了$\mathbf{53.41}$%）。源代码可在https://github.com/callous-youth/BETAK获取。