角度梯度符号方法：揭示双曲网络中的漏洞
机器学习
2026-03-24 v2 计算机视觉与模式识别
摘要
对神经网络中的对抗样本研究已在欧几里得几何中广泛展开，但近期在非欧几里得几何中的双曲网络发展，迫切需要重新评估在非欧几里得几何中的攻击策略。现有方法如 FGSM 和 PGD 在应用扰动时不考虑底层双曲结构，可能导致效率低下或几何不一致的攻击。本文提出一种新型对抗攻击，显式利用双曲空间的几何属性。具体而言，我们计算双曲空间切空间中损失函数的梯度，将其分解为径向（深度）分量和角度（语义）分量，仅应用来自角度方向的扰动。该方法通过聚焦于双曲几何中角度运动所编码的语义敏感方向来生成对抗样本。实验结果在图像分类、跨模态检索任务和网络架构上表明，本方法在误导率上优于传统对抗攻击，同时产生高影响扰动，深化对双曲嵌入漏洞的理解。这一工作凸显了在曲面表示空间中几何感知对抗策略的重要性，为攻击层次化嵌入提供了原则性框架。
引用
@article{arxiv.2511.12985,
title = {Angular Gradient Sign Method: Uncovering Vulnerabilities in Hyperbolic Networks},
author = {Minsoo Jo and Dongyoon Yang and Taesup Kim},
journal= {arXiv preprint arXiv:2511.12985},
year = {2026}
}
备注
Accepted by AAAI 2026. Code available at: https://github.com/J-Minsoo/AGSM