Dual-Flow：基于野外级联流优化的可迁移多目标、无实例感知攻击
计算机视觉与模式识别
2025-10-28 v3
摘要
对抗攻击广泛用于评估模型鲁棒性，在黑箱场景中，这些攻击的迁移性至关重要。现有基于生成器的攻击因其无实例感知特性而具有卓越的泛化性与迁移性。然而，在为多目标训练生成器时，其迁移攻击成功率相对较低，源于模型容量的局限。为此，本文提出一种新的Dual-Flow框架，用于多目标无实例感知对抗攻击，采用野外级联流优化技术开发对抗速度函数。大量实验表明，Dual-Flow显著优于先前的多目标生成式攻击提高了迁移性。例如，其从Inception-v3到ResNet-152的成功率提升了34.58%。此外，本文的方法在对抗训练模型等防御机制下表现出更强的鲁棒性。Dual-Flow的代码可在：https://github.com/Chyxx/Dual-Flow 获取。
引用
@article{arxiv.2502.02096,
title = {Dual-Flow: Transferable Multi-Target, Instance-Agnostic Attacks via In-the-wild Cascading Flow Optimization},
author = {Yixiao Chen and Shikun Sun and Jianshu Li and Ruoyu Li and Zhe Li and Junliang Xing},
journal= {arXiv preprint arXiv:2502.02096},
year = {2025}
}
备注
Accepted at NeurIPS 2025