面向鲁棒通用扰动攻击：一种浮点编码、惩罚驱动的进化方法
机器学习
2026-01-21 v1 计算机视觉与模式识别
摘要
通用对抗扰动（UAP）因能否通过单一噪声模式在多个输入上破坏深度神经网络而引起广泛关注。进化算法因能在非凸、无梯度景观中寻找出路，成为生成此类扰动的有前景的方法。本文引入一种基于浮点编码、惩罚驱动的单目标进化框架，用于 UAP 生成，既能降低扰动的可见性，又能提升攻击成功率。该方法利用与当代深度学习尺度相匹配的连续基因表示，融合带有自适应调度的动态进化算子，并采用模块化的 PyTorch 实现以实现与现代架构的无缝集成。此外，通过在 diverse models 上测试以确保生成扰动的普适性，并定期切换 batch 以防止过拟合。ImageNet 数据集上的实验表明，我们的框架在产生更小范数、更高误分类效果及更快收敛方面，均优于现有基于进化的方法。这些发现凸显了该方法在各种深度学习架构上实现鲁棒性和可扩展性的潜力。
引用
@article{arxiv.2601.12624,
title = {Towards Robust Universal Perturbation Attacks: A Float-Coded, Penalty-Driven Evolutionary Approach},
author = {Shiqi Wang and Mahdi Khosravy and Neeraj Gupta and Olaf Witkowski},
journal= {arXiv preprint arXiv:2601.12624},
year = {2026}
}