面向高度可迁移转换-based 攻击的动态参数优化
计算机视觉与模式识别
2025-11-18 v1 机器学习
摘要
尽管转换-based 攻击在广泛应用中取得了显著成功，但其脆弱性引发了社会层面的关切。现有攻击在参数优化上存在盲区，限制了其潜力。具体而言，(1) 先前工作通常考虑低迭代设置，但在更高迭代下攻击表现差异显著，仅基于低迭代结果描述整体性能是误导性的。(2) 现有攻击对不同的替代模型、迭代次数和任务使用统一参数，严重削弱了可迁移性。(3) 传统的转换参数优化依赖网格搜索。对于 n 个参数每个步骤为 m 的情况，复杂度为 O(mn)。巨大的计算开销限制了参数的进一步优化。为此，我们对各种转换作为基准进行了实证研究，揭示了关于参数强度的三个动态可迁移性模式。我们进一步提出一种同心衰减模型 (CDM) 来有效解释这些模式。基于这些洞见，我们提出一种基于上升后下降模式的高效动态参数优化 (DPO)，将复杂度降低到 O(nlogm)。在不同替代模型、迭代次数和任务上的广泛实验表明，DPO 能显著提高可迁移性。
引用
@article{arxiv.2511.11993,
title = {Dynamic Parameter Optimization for Highly Transferable Transformation-Based Attacks},
author = {Jiaming Liang and Chi-Man Pun},
journal= {arXiv preprint arXiv:2511.11993},
year = {2025}
}