ARMOR：用于方法编排与重参数化的智能体推理以实现鲁棒对抗攻击
计算机视觉与模式识别
2026-01-27 v1
摘要
现有的自动化攻击套件以固定序列作为静态集成运行，缺乏策略适应性和语义感知能力。本文引入了用于方法编排与重参数化的智能体推理（ARMOR）框架来解决这些局限性。ARMOR 通过视觉语言模型（VLM）引导的智能体编排三种经典对抗攻击基元：Carlini-Wagner（CW）、基于 Jacobian 的显著性图攻击（JSMA）和空间变换攻击（STA），这些智能体通过共享的“混音台”协同生成并合成扰动。大型语言模型（LLM）在实时闭环系统中自适应地调整和重参数化并行攻击智能体，以利用特定于图像的语义漏洞。在标准基准测试中，ARMOR 实现了改进的跨架构迁移性，并在两种设置下都能可靠地欺骗目标，为盲目标提供混合输出，并使用置信度与 SSIM 分数为白盒目标选择最佳攻击或混合攻击。
引用
@article{arxiv.2601.18386,
title = {ARMOR: Agentic Reasoning for Methods Orchestration and Reparameterization for Robust Adversarial Attacks},
author = {Gabriel Lee Jun Rong and Christos Korgialas and Dion Jia Xu Ho and Pai Chet Ng and Xiaoxiao Miao and Konstantinos N. Plataniotis},
journal= {arXiv preprint arXiv:2601.18386},
year = {2026}
}