RaPA：通过随机参数修剪增强可迁移的针对性攻击
机器学习
2026-04-07 v3 人工智能
摘要
与无目标攻击相比，面向目标的迁移式攻击仍存在显著的较低攻击成功率(ASR)，尽管已通过多样化输入、稳定梯度和重新训练替代模型等方法取得了显著改进。本文发现，现有方法生成的对抗样本高度依赖于小 subset of surrogate model 参数，这反过来限制了其对未知目标模型的迁移性。灵感来自这一发现，我们提出了随机参数修剪攻击(Random Parameter Pruning Attack, RaPA)，在攻击过程中引入参数级随机化。在每个优化步骤中，RaPA 随机修剪模型参数以生成多样且语义一致的替代模型变体。我们表明，这种参数级随机化等效于添加重要性均衡正则化，从而缓解了过度依赖问题。广泛的实验在 CNN 和 Transformer 架构上表明，RaPA 显著提升了迁移性。在从 CNN 迁移到 Transformer 的挑战性情况下，RaPA 比最先进的基线方法实现了最高 11.7% 的平均 ASR 提升(ASR 为 33.3%)，同时保持训练免费、跨架构高效且易于集成到现有攻击框架中。代码已公开于 https://github.com/molarsu/RaPA。
引用
@article{arxiv.2504.18594,
title = {RaPA: Enhancing Transferable Targeted Attacks via Random Parameter Pruning},
author = {Tongrui Su and Qingbin Li and Shengyu Zhu and Wei Chen and Xueqi Cheng},
journal= {arXiv preprint arXiv:2504.18594},
year = {2026}
}
备注
Accepted by CVPR26 CODE:https://github.com/molarsu/RaPA