論文の概要: MS-GAGA: Metric-Selective Guided Adversarial Generation Attack

• arxiv url: http://arxiv.org/abs/2510.12468v1
• Date: Tue, 14 Oct 2025 13:01:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-15 19:02:32.318535
• Title: MS-GAGA: Metric-Selective Guided Adversarial Generation Attack
• Title（参考訳）: MS-GAGA:Metric-Selective Guided Adversarial Generation Attack
• Abstract要約: MS-GAGAは、伝達可能で視覚的に知覚できない敵の例を作るためのフレームワークである。 MS-GAGAは、転送可能性と非受容性を共同最適化することにより、未確認検出器の誤分類率を最大27%向上させる。
• 参考スコア（独自算出の注目度）: 7.510731984578619
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present MS-GAGA (Metric-Selective Guided Adversarial Generation Attack), a two-stage framework for crafting transferable and visually imperceptible adversarial examples against deepfake detectors in black-box settings. In Stage 1, a dual-stream attack module generates adversarial candidates: MNTD-PGD applies enhanced gradient calculations optimized for small perturbation budgets, while SG-PGD focuses perturbations on visually salient regions. This complementary design expands the adversarial search space and improves transferability across unseen models. In Stage 2, a metric-aware selection module evaluates candidates based on both their success against black-box models and their structural similarity (SSIM) to the original image. By jointly optimizing transferability and imperceptibility, MS-GAGA achieves up to 27% higher misclassification rates on unseen detectors compared to state-of-the-art attacks.
• Abstract（参考訳）: ブラックボックス設定のディープフェイク検出器に対して、転送可能で視覚的に認識不能な2段階の逆解析を行うためのMS-GAGA(Metric-Selective Guided Adversarial Generation Attack)を提案する。 MNTD-PGDは、小さな摂動予算に最適化された拡張勾配計算を適用し、SG-PGDは視覚的に有意な領域の摂動に焦点を当てる。 この相補的な設計は、敵の探索空間を拡張し、目に見えないモデル間での転送性を向上させる。 ステージ2では、ブラックボックスモデルに対する成功と、元の画像に対する構造的類似性(SSIM)の両方に基づいて、メトリックアウェア選択モジュールが候補を評価する。 MS-GAGAは、トランスファービリティと非受容性を共同最適化することにより、最先端の攻撃と比較して、目に見えない検出器の誤分類率を最大27%向上させる。

関連論文リスト

• ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors [28.44035744358622]
  本稿では、高透過性ディープフェイク回避のための堅牢なマルチエージェントフレームワークARMOR++を紹介する。 5つの補完的プリミティブを統合することで、ARMOR++は事実上異種誘導バイアスをターゲットとします。 AADD-2025ベンチマークの厳密な評価は、ARMOR++が既存のエージェントと非エージェントのベースラインを大幅に上回っていることを示している。
  論文  参考訳（メタデータ） (2026-07-16T17:45:13Z)
• SHIELD-IDS: Structurally Heterogeneous Ensemble with Integrated Layered Defense for Intrusion Detection Systems [0.0]
  アドリアックは、機械学習ベースの侵入検知システムに深刻な脅威をもたらす。 この作業には、XGBoostとLightGBMグラデーションをアンサンブルに組み込んだIDS-Anta++が導入されている。 拡張されたプールを3層のブラックボックスの防御で包み、孤立林の異常スクリーニング、中央機能スムース化、および6方向の多数決を行う。
  論文  参考訳（メタデータ） (2026-06-05T15:25:51Z)
• Towards Universal Physical Adversarial Attacks via a Joint Multi-Objective and Multi-Model Optimization Framework [9.467008278776063]
  本稿では,JMOF(Joint Multi-Objective and Multi-Model Optimization Framework)を提案する。 JMOF内では、二重レベル機構が予測出力を共同で抑制し、中間特徴分布を平坦化し、攻撃効率と深い一般化のバランスをとる。 実験により、JMOFは様々なブラックボックス検出器に対して最先端のベースラインを上回っていることが示された。 この研究は、物理的な敵攻撃の一般化限界を推し進め、現実世界のデプロイメントにおける視覚的AI脆弱性を評価するための堅牢なフレームワークを提供する。
  論文  参考訳（メタデータ） (2026-05-18T02:44:54Z)
• HogVul: Black-box Adversarial Code Generation Framework Against LM-based Vulnerability Detectors [16.606392179498563]
  HogVulは、語彙と構文の摂動を統合したブラックボックスの逆コード生成フレームワークである。 4つのベンチマークデータセットの実験では、HogVulが平均攻撃成功率26.05%の改善を達成した。
  論文  参考訳（メタデータ） (2026-01-09T07:14:29Z)
• Enhancing Adversarial Transferability by Balancing Exploration and Exploitation with Gradient-Guided Sampling [82.52485740425321]
  アドリアックは、ディープニューラルネットワークの堅牢性にとって重要な課題である。 敵攻撃の伝達性は、爆発(最大攻撃能力)と探索(クロスモデル一般化の促進)のジレンマに直面している
  論文  参考訳（メタデータ） (2025-11-01T05:43:47Z)
• TESSER: Transfer-Enhancing Adversarial Attacks from Vision Transformers via Spectral and Semantic Regularization [3.693610259830098]
  ディープニューラルネットワークの堅牢性を評価する上で、アドリヤルトランスファービリティは依然として重要な課題である。 textbfTESSERは、2つの主要な戦略を通じて転送可能性を高める新しい攻撃フレームワークである。 12の異なるアーキテクチャにわたるImageNetの実験では、TESSERはCNNでの攻撃成功率(ASR)が+10.9%高く、ViTでは+7.2%高かった。
  論文  参考訳（メタデータ） (2025-05-26T07:30:00Z)
• Self-Classification Enhancement and Correction for Weakly Supervised Object Detection [113.51483527300496]
  弱い監督対象検出(WSOD)は、ラベル付けコストの低いため、多くの注目を集めている。 本稿では,この2つの問題を改善するための新しいWSODフレームワークを紹介する。 まず,2つの異なるMCCタスク間のギャップを埋めるために,クラス内バイナリ分類(ICBC)を統合した自己分類拡張モジュールを提案する。 また,2つのMCCタスクの結果を組み合わせて,誤分類予測を効果的に削減する自己分類補正アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-22T06:45:58Z)
• Towards Adaptive Meta-Gradient Adversarial Examples for Visual Tracking [22.56488340107275]
  視覚的トラッキングのための適応的メタ段階的対向攻撃法(AMGA)を提案する。 その結果, AMGAは攻撃性能, 転送可能性, および敵対例の誤認を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2025-05-13T22:26:19Z)
• Boosting Adversarial Transferability with Spatial Adversarial Alignment [56.97809949196889]
  ディープニューラルネットワークは、様々なモデルにまたがる転送可能性を示す敵の例に対して脆弱である。 本稿では,アライメント損失を利用してサロゲートモデルを微調整する手法を提案する。 ImageNet上の様々なアーキテクチャの実験では、SAAに基づくアライメントされたサロゲートモデルにより、より高い転送可能な逆の例が得られることが示されている。
  論文  参考訳（メタデータ） (2025-01-02T02:35:47Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• GE-AdvGAN: Improving the transferability of adversarial samples by gradient editing-based adversarial generative model [69.71629949747884]
  GAN(Generative Adversarial Networks)のような逆生成モデルは、様々な種類のデータを生成するために広く応用されている。 本研究では, GE-AdvGAN という新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:43:16Z)
• Transferable Adversarial Attacks on Vision Transformers with Token Gradient Regularization [32.908816911260615]
  ビジョントランス (ViT) は様々なコンピュータビジョンタスクにうまく展開されているが、それでも敵のサンプルには弱い。 転送ベースの攻撃は、ローカルモデルを使用して敵のサンプルを生成し、ターゲットのブラックボックスモデルを攻撃するために直接転送する。 本稿では,既存のアプローチの欠点を克服するために,Token Gradient Regularization (TGR)法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T06:23:17Z)
• Logit Margin Matters: Improving Transferable Targeted Adversarial Attack by Logit Calibration [85.71545080119026]
  クロスエントロピー(CE)損失関数は、伝達可能な標的対向例を学習するには不十分である。 本稿では,ロジットを温度係数と適応マージンでダウンスケールすることで,ロジットのキャリブレーションを簡易かつ効果的に行う2つの手法を提案する。 ImageNetデータセットを用いて実験を行い,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-03-07T06:42:52Z)
• Generative Adversarial Network-Driven Detection of Adversarial Tasks in Mobile Crowdsensing [5.675436513661266]
  クラウドセンシングシステムは、不特定かつユビキタスなプロパティの上に構築されるため、さまざまな攻撃に対して脆弱である。 以前の研究では、GANベースの攻撃は実験的に設計された攻撃サンプルよりも重大な破壊力を示すことが示唆されている。 本稿では,GANモデルを統合することにより,知的に設計された不正なセンシングサービス要求を検出することを目的とする。
  論文  参考訳（メタデータ） (2022-02-16T00:23:25Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。