TenAd：基于低秩张量的黑箱视频分类对抗攻击
计算机视觉与模式识别
2025-04-03 v1 人工智能
摘要
深度学习模型在计算机视觉领域取得了显著的成功，但在黑箱环境（即模型细节未知的情况下）仍然容易受到对抗攻击的威胁。现有的对抗攻击方法（即使包括关键帧方法）常常将视频数据视为简单向量，忽略了其固有的多维结构，并且需要大量查询，使其效率低且容易被检测到。本文提出了 \textbf{TenAd}，一种新颖的基于张量的低秩对抗攻击方法，通过表示视频作为四阶张量来利用视频数据的多维属性。通过利用低秩攻击，我们的方法显著减少了搜索空间和在黑箱环境中生成对抗样本所需的查询次数。在标准视频分类数据集上的实验结果表明，\textbf{TenAd} 能够有效生成不可察觉的对抗扰动，同时在攻击成功率和查询效率方面优于当前最先进的方法。我们的做法在成功率、查询效率和扰动不可察觉性方面均优于现有的黑箱对抗攻击，凸显了基于张量的方法在视频模型对抗攻击中的潜力。
引用
@article{arxiv.2504.01228,
title = {TenAd: A Tensor-based Low-rank Black Box Adversarial Attack for Video Classification},
author = {Kimia haghjooei and Mansoor Rezghi},
journal= {arXiv preprint arXiv:2504.01228},
year = {2025}
}