基于梯度预测的快速对抗攻击
机器学习
2026-05-15 v1
摘要
大规模生成对抗样本是鲁棒性评估、对抗训练和红队测试的核心原语，然而即使是 FGSM 等“快速”攻击也因反向传播的成本而受到吞吐量限制。我们引入了一系列攻击方法，通过轻量级线性回归从前向传播的隐藏状态预测输入梯度，从而消除反向传播。该方法的动机源于神经网络的核视角，在神经正切核（NTK）机制下是精确的，同时对实际有限宽度模型仍然有效。从实验上看，我们的方法恢复了 FGSM 大部分的攻击性能，而仅使用一小部分时间，对应于 的吞吐量提升。这些结果表明，梯度预测是在实际挂钟时间约束下实现显著更快对抗生成的一种简单且通用的途径。
引用
@article{arxiv.2605.14868,
title = {Fast Adversarial Attacks with Gradient Prediction},
author = {Kamil Ciosek and Aleksandr V. Petrov and Nicolò Felicioni and Konstantina Palla},
journal= {arXiv preprint arXiv:2605.14868},
year = {2026}
}
备注
17 pages