EvoBA：一种作为黑盒对抗攻击强基线的进化策略

近期研究表明，白盒对抗攻击可轻易应用于最先进的图像分类器。然而，现实场景更接近于黑盒对抗条件，缺乏透明度，且通常对查询预算施加自然的硬性约束。我们提出 \textbf{EvoBA}，一种基于极其简单的进化搜索策略的黑盒对抗攻击。\textbf{EvoBA} 查询高效，最小化 $L_0$ 对抗扰动，且不需要任何形式的训练。\textbf{EvoBA} 通过与其他更复杂的先进黑盒攻击（如 \textbf{AutoZOOM}）一致的结果展现了效率与效力。它比简单而强大的基线黑盒攻击 \textbf{SimBA} 查询更高效，且复杂度水平相近。因此，我们将其既作为黑盒对抗攻击的一个新的强基线，也作为快速且通用的工具，用于实证洞察图像分类器相对于 $L_0$ 对抗扰动的鲁棒性。目前已存在快速可靠的 $L_2$ 黑盒攻击（如 \textbf{SimBA}）和 $L_{\infty}$ 黑盒攻击（如 \textbf{DeepSearch}）。我们提出 \textbf{EvoBA} 作为一种查询高效的 $L_0$ 黑盒对抗攻击，其与上述方法一起可作为评估图像分类器实证鲁棒性的通用工具。此类方法的主要优势在于运行快速、查询高效，且可轻松集成到图像分类器开发流程中。尽管我们的攻击最小化 $L_0$ 对抗扰动，我们也报告了 $L_2$，并注意到我们与最先进的 $L_2$ 黑盒攻击 \textbf{AutoZOOM} 及 $L_2$ 强基线 \textbf{SimBA} 相比具有优势。