GSBA$^K$: 面向 $top$-$K$ 的几何得分基黑箱攻击
计算机视觉与模式识别
2025-06-03 v3
摘要
现有的得分基对抗攻击主要聚焦于针对单标签分类器 crafting -1 对抗样本，其攻击成功率和查询效率往往不令人满意，尤其在小扰动要求下；此外，针对多标签学习分类器的脆弱性尚未得到研究。本文提出一种全新的无代理得分基攻击，命名为几何得分基黑箱攻击（GSBA），用于在激进的 - 设置下为单目标和双目标攻击 crafting 对抗样本，目标是改变目标分类器的 - 预测。我们引入了新颖的梯度方法，以寻找攻击的良好初始边界点。我们的迭代方法在决策边界上采用新颖的梯度估计技术，尤其在 - 设置下表现突出，能够有效利用决策边界的几何结构。此外，GSBA 可用于攻击具有 - 多标签学习的分类器。在 ImageNet 和 PASCAL VOC 数据集上的大量实验验证了 GSBA 在 crafting - 对抗样本方面的有效性。
引用
@article{arxiv.2503.12827,
title = {GSBA$^K$: $top$-$K$ Geometric Score-based Black-box Attack},
author = {Md Farhamdur Reza and Richeng Jin and Tianfu Wu and Huaiyu Dai},
journal= {arXiv preprint arXiv:2503.12827},
year = {2025}
}
备注
License changed to CC BY 4.0 to align with ICLR 2025. No changes to content. Published at: https://openreview.net/forum?id=htX7AoHyln