全网攻击：为提升有针对性的迁移性进行局部与全局攻击
材料科学
2025-11-19 v1 介观与纳米尺度物理
摘要
对抗样本(Adversarial Examples, AE)的迁移性指的是一种现象，即使用一个替代模型制作的 AE 也能欺骗其他模型。尽管在非针对性迁移性方面取得了显著进展，但其针对性对应用仍然具有挑战性。本文提出了一个 everywhere 方案以提升有针对性的迁移性。我们的想法是对受害者图像进行全局和局部攻击。我们旨在优化每个局部图像区域中的“一支军队目标”，而不是以前优化单个高置信度目标。具体而言，我们将受害者图像分割为非重叠的块，并在每个块上联合进行针对性攻击。这种策略缓解了替代模型和受害者模型之间注意力不一致导致的迁移失败，从而产生更强的迁移性。我们的方法与无关，可轻易与现有的可迁移攻击结合以获得更高的迁移性。在 ImageNet 上进行大量实验表明，所提出的方法在显著提升当前最先进的针对性攻击方面具有普遍优势，例如，广泛采用的 Logit 攻击的迁移性可提高 28.8%-300%。我们还在真实世界平台 Google Cloud Vision 上评估了所制作的 AE。结果进一步支持了所提出方法的优越性。
引用
@article{arxiv.2501.00706,
title = {Essentially degenerate hidden nodal lines in two-dimensional magnetic layer groups},
author = {Xiao-Ping Li and Chaoxi Cui and Lei Wang and Weikang Wu and Zeying Zhang and Zhi-Ming Yu and Yugui Yao},
journal= {arXiv preprint arXiv:2501.00706},
year = {2025}
}