顺序差分最大化：通过多阶段优化生成对抗样本
计算机视觉与模式识别
2025-09-03 v1 人工智能
机器学习
摘要
高效的对抗攻击方法对于评估计算机视觉模型的鲁棒性至关重要。本文将生成对抗样本的优化目标重构为“非真实标签概率上界与真实标签概率之间的差值最大化”，并提出一种基于梯度的攻击方法，称为顺序差分最大化（Sequential Difference Maximization, SDM）。SDM 建立了一个“循环-阶段-步骤”三层优化框架。在循环之间以及迭代步骤之间，过程分别相同，而优化阶段根据损失函数不同而变化：在初始阶段，使用真实标签的负概率作为损失函数以压缩解的空间；在后续阶段，引入方向概率差比（DPDR）损失函数，通过压缩无关标签的概率来逐步增加非真实标签的概率上界。实验表明，与之前的 SOTA 方法相比，SDM 不仅具有更强的攻击性能，还实现了更高的攻击成本效益。此外，SDM 可以与对抗训练方法结合，以增强其防御效果。代码已公开于 https://github.com/X-L-Liu/SDM。
引用
@article{arxiv.2509.00826,
title = {Sequential Difference Maximization: Generating Adversarial Examples via Multi-Stage Optimization},
author = {Xinlei Liu and Tao Hu and Peng Yi and Weitao Han and Jichao Xie and Baolin Li},
journal= {arXiv preprint arXiv:2509.00826},
year = {2025}
}
备注
5 pages, 2 figures, 5 tables, CIKM 2025