通过基于常见性的梯度优化提升对抗迁移性
计算机视觉与模式识别
2025-10-14 v2
摘要
探索有效且具迁移性的对抗样本对于理解视觉转换器（ViT）的特征和机制至关重要。然而，来自代理模型生成的对抗样本常因过拟合，在黑箱环境中表现出弱迁移性。现有方法通过多样化扰动输入或在代理模型内部应用统一梯度正则化来提高迁移性，但尚未充分利用在同一任务上训练的代理模型共享和独特特征，导致迁移性能次优。因此，增强代理模型共享信息相关的扰动，抑制与个体特征相关的扰动，是提高迁移性的有效途径。据此，我们提出一种基于常见性的梯度优化策略（COGO），包括两个组件：常见性增强（CE）和个体性抑制（IS）。CE 在中低频区域施加扰动，利用 ViT 在同一数据集上训练的模型更依赖中低频信息进行分类的事实。IS 采用自适应阈值评估反向传播梯度与模型个体性之间的相关性，据此为梯度分配权重。广泛实验表明，COGO 显著提升了对抗攻击的转移成功率，超越当前最先进方法。
引用
@article{arxiv.2506.06992,
title = {Boosting Adversarial Transferability via Commonality-Oriented Gradient Optimization},
author = {Yanting Gao and Yepeng Liu and Junming Liu and Qi Zhang and Hongyun Zhang and Duoqian Miao and Cairong Zhao},
journal= {arXiv preprint arXiv:2506.06992},
year = {2025}
}
备注
23 pages