SDM：评估模型鲁棒性的强大工具
计算机视觉与模式识别
2026-05-21 v1 人工智能
机器学习
摘要
梯度基方法是评估模型鲁棒性的重要方法。然而，自 APGD 提出以来，这类方法很难实现突破性进展。为此，我们首先分析了“高损失非对抗样本”问题——该问题会降低先前方法的攻击性能，并证明了该问题源于不当的对抗样本生成目标。随后，我们重构了目标，即“最大化非真实标签概率上界与真实标签概率之间的差值”，并提出了一种名为顺序差分最大化（SDM）的新型且强大的梯度攻击方法。SDM 建立了“循环-阶段-步骤”三层优化框架。在初始和后续优化阶段分别采用负概率损失函数和方向概率差比（DPDR）损失函数，并通过阶段性顺序优化逼近对抗样本生成的理想目标。实验表明，与以前的最先进方法相比，SDM 不仅实现了更强的攻击性能，还表现出更好的成本效益。代码已在 https://github.com/X-L-Liu/ICML-SDM 上提供。
引用
@article{arxiv.2605.20308,
title = {SDM: A Powerful Tool for Evaluating Model Robustness},
author = {Xinlei Liu and Tao Hu and Jichao Xie and Peng Yi and Hailong Ma and Baolin Li},
journal= {arXiv preprint arXiv:2605.20308},
year = {2026}
}
备注
16 pages