論文の概要: MoCo-EA: Exploiting Adversarial Mode Connectivity for Efficient Evolutionary Attacks
- arxiv url: http://arxiv.org/abs/2605.18919v1
- Date: Mon, 18 May 2026 07:20:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.879539
- Title: MoCo-EA: Exploiting Adversarial Mode Connectivity for Efficient Evolutionary Attacks
- Title（参考訳）: MoCo-EA:効率的な進化的攻撃のための対向モード接続性の爆発
- Authors: Hyo Seo Kim, Gang Luo, Can Chen, Binghui Wang, Yue Duan, Ren Wang,
- Abstract要約: 従来のクロスオーバーを新しいベジエクロスオーバー演算子に置き換えるモード接続進化攻撃(MoCo-EA)を導入する。
逆空間の幾何学的構造を経路最適化によって利用することにより、MoCo-EAは効率的かつ信頼性の高い方法を提供する。
我々の研究は、敵の例を孤立した点として従来の見方に挑戦し、攻撃発生研究と防衛研究の両方に新たな方向性を開く。
- 参考スコア（独自算出の注目度）: 31.12124265955426
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Evolutionary algorithms for adversarial attacks leverage population-based search to discover perturbations without gradient information, but suffer from inefficient crossover operations that destroy adversarial properties through discrete interpolation. We introduce Mode Connectivity Evolutionary Attack (MoCo-EA), which replaces traditional crossover with a novel Bézier crossover operator that optimizes perturbations along a continuous Bézier curve between parent perturbations. Our key insight is that adversarial examples lie on connected manifolds where intermediate points maintain and often enhance attack effectiveness. We demonstrate three findings: (1) Successful adversarial perturbations exhibit mode connectivity; (2) Intermediate points along optimized paths achieve higher transferability than endpoints; (3) Bézier crossover dramatically outperforms discrete genetic operations while reducing convergence time and query requirements. By exploiting the geometric structure of adversarial space through path optimization, MoCo-EA provides an efficient and reliable method. Our work challenges the traditional view of adversarial examples as isolated points and opens new directions for both attack generation and defense research.
- Abstract（参考訳）: 敵対的攻撃の進化的アルゴリズムは、集団に基づく探索を利用して、勾配情報なしで摂動を発見するが、離散補間によって敵対的特性を破壊する非効率なクロスオーバー操作に悩まされる。
従来のクロスオーバーを、親摂動間の連続ベジエ曲線に沿って摂動を最適化する新しいベジエクロスオーバー演算子に置き換えるモード接続進化攻撃(MoCo-EA)を導入する。
我々の重要な洞察は、中間点が維持され、しばしば攻撃効果を高めるような連結多様体上の逆例である。
1)適応経路に沿った中間点がエンドポイントよりも高い伝達性を達成すること,(3)ベジエクロスオーバーはコンバージェンス時間とクエリ要求を低減しつつ、個別の遺伝的操作を劇的に上回っていること,である。
逆空間の幾何学的構造を経路最適化によって利用することにより、MoCo-EAは効率的かつ信頼性の高い方法を提供する。
我々の研究は、敵の例を孤立した点として従来の見方に挑戦し、攻撃発生研究と防衛研究の両方に新たな方向性を開く。
関連論文リスト
- TopoCurate:Modeling Interaction Topology for Tool-Use Agent Training [53.93696896939915]
訓練用ツール使用エージェントは一般的に、パスレート選択されたタスクに対して、軌道変更の成功と強化学習(RL)に依存している。
TopoCurateは,同一タスクから多段階的なロールアウトを統一的な意味的商トポロジに投影する対話型フレームワークである。
TopoCurateは最先端のベースラインに対して4.2%(SFT)と6.9%(RL)という一貫したゲインを達成している。
論文 参考訳（メタデータ） (2026-03-02T10:38:54Z) - Potent but Stealthy: Rethink Profile Pollution against Sequential Recommendation via Bi-level Constrained Reinforcement Paradigm [44.622203626828345]
対話シーケンスを通じて動的ユーザインテントを利用するシークエンシャルリコメンダは、敵攻撃に対して脆弱である。
本報告では, ユーザインタラクションを微妙に汚染し, ターゲットの誤予測を誘発するプロファイル汚染攻撃について述べる。
本稿では,2段階の最適化フレームワークを多方向強化学習と相乗化して,対向効果とステルスネスのバランスをとる制約付き強化駆動攻撃 CREAT を提案する。
論文 参考訳（メタデータ） (2025-11-12T15:00:52Z) - 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) - 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) - Improving Adversarial Transferability via Intermediate-level
Perturbation Decay [79.07074710460012]
我々は,一段階の最適化で敵の例を再現する新しい中間レベル手法を開発した。
実験結果から, 種々の犠牲者モデルに対する攻撃において, 最先端技術よりも大きな差が認められた。
論文 参考訳（メタデータ） (2023-04-26T09:49:55Z)
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。