零查询黑盒对抗攻击
计算机视觉与模式识别
2025-12-08 v2
摘要
当前的黑盒对抗攻击要么需要多次查询，要么依赖扩散模型来生成能够损害目标模型性能的对抗样本。然而，这些方法需要训练替代损失或扩散模型，以生成对抗样本，限制了其在现实场景中的应用。因此，我们提出了一种零查询黑盒对抗（ZQBA）攻击，利用深度神经网络（DNN）的表示来欺骗其他网络。无需对抗样本数千次查询即可生成欺骗性对抗样本，我们使用来自DNN的特征图添加到干净图像上，以损害目标模型的分类。结果表明，ZQBA可将对抗样本在不同模型和various数据集（包括CIFAR和Tiny ImageNet）之间传递。实验还显示，ZQBA在单次查询下优于现有SOTA黑盒攻击，同时保持扰动的不可察觉性，定量（SSIM）和定性评估均如此，凸显了在实际环境中使用DNN的脆弱性。所有源代码均available at https://github.com/Joana-Cabral/ZQBA。
引用
@article{arxiv.2510.00769,
title = {ZQBA: Zero Query Black-box Adversarial Attack},
author = {Joana C. Costa and Tiago Roxo and Hugo Proença and Pedro R. M. Inácio},
journal= {arXiv preprint arXiv:2510.00769},
year = {2025}
}
备注
Accepted in ICAART 2026 Conference