論文の概要: Latent Geometric Chords for Query-Efficient Decision-Based Adversarial Attacks
- arxiv url: http://arxiv.org/abs/2605.31219v1
- Date: Fri, 29 May 2026 12:25:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.596326
- Title: Latent Geometric Chords for Query-Efficient Decision-Based Adversarial Attacks
- Title（参考訳）: 問合せ効率の良い逆数攻撃のための潜時幾何学的コード
- Abstract要約: 決定に基づく敵攻撃は深刻なセキュリティ上の脅威をもたらす。
現在の方法論は基本的な限界に悩まされている。
変種LGC-Hと共に潜時幾何攻撃を提案する。
- 参考スコア（独自算出の注目度）: 3.7349625042626546
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While decision-based black-box adversarial attacks present a severe security threat, current methodologies suffer from fundamental limitations. Pixel-wise attacks frequently introduce unnatural, high-frequency visual artifacts, while latent-space frameworks are confined by the limited search space of low-dimensional manifolds and inherent reconstruction flaws. To resolve these limitations, we propose Latent Geometric Chords (LGC) for Query-Efficient Decision-Based Adversarial Attacks alongside a variant, LGC-H. At its core, LGC navigates decision boundaries by executing a curvature-aware geometric search within a compressed semantic manifold. To guarantee high visual fidelity and circumvent dimensionality bottlenecks, we introduce a Residual-based Adversarial Generation (RAG) mechanism. RAG isolates semantic perturbations as geometric chords and superimposes them directly onto the original source image. RAG substantially resolves baseline reconstruction flaws and effectively doubles the permissible search space dimensions. Experimental results demonstrate that LGC achieves robust cross-dataset transferability and substantially outperforms state-of-the-art baselines. Notably, our method, LGC, minimizes perturbation magnitudes while achieving state-of-the-art visual fidelity--with a Structural Similarity Index Measure (SSIM) exceeding 0.99 and a Learned Perceptual Image Patch Similarity (LPIPS) below 0.01 at 5000 queries--and sustaining high attack success rates under stringent perceptual constraints, successfully compromising adversarially trained robust models. The source code is available at: https://github.com/eihmuekhine/Latent-Geometric-Chords.
- Abstract（参考訳）: 決定に基づくブラックボックスの敵攻撃は深刻なセキュリティ上の脅威をもたらすが、現在の手法は基本的な制限に悩まされている。
画素ワイズ攻撃は、しばしば非自然で高周波な視覚的アーティファクトを導入するが、潜在空間のフレームワークは、低次元多様体の限られた探索空間と固有の再構成欠陥によって制限される。
これらの制限を解決するために,我々は,LGC-Hの変種とともに,クエリ効率のよい逆アタックのためのLatent Geometric Chords (LGC)を提案する。
中心となるLGCは、圧縮された意味多様体内で曲率を考慮した幾何探索を実行することで決定境界をナビゲートする。
視覚的忠実度を保証し,次元的ボトルネックを回避するために,Residual-based Adversarial Generation (RAG) 機構を導入する。
RAGは意味摂動を幾何学的コードとして分離し、それらを元のソースイメージに直接重ねる。
RAGは、ベースライン再構築の欠陥を実質的に解決し、許容可能な探索空間次元を効果的に2倍にする。
実験結果から,LGCはロバストなクロスデータセット転送性を実現し,最先端のベースラインを大幅に上回ることがわかった。
特にLGCは,構造的類似度指標(SSIM)が0.99を超え,学習された知覚的イメージパッチ類似度(LPIPS)が5,000のクエリで0.01未満であり,厳密な知覚的制約の下で高い攻撃成功率を維持でき,逆向きに訓練されたロバストモデルの実現に成功している。
ソースコードは、https://github.com/eihmuekhine/Latent-Geometric-Chordsで入手できる。
関連論文リスト
- Robust Validation to Geometric Perturbations for Autonomous Pose Estimation [0.8062121966457854]
視覚に基づくナビゲーションと自律着陸では、機械学習コンポーネントは動的操作条件下で厳格な検証を必要とする。
標準勾配に基づくポーズ推定は、ポーズ推定に失敗し、しばしば単純なランダムサンプリングベースラインよりも悪いパフォーマンスを示す。
我々はGLO(Global Lipschitzian)におけるロバストネス推定を再構成する。
これは、幾何学的検証を連続キーポイント回帰とディープオブジェクト検出に拡張する最初の研究である。
論文 参考訳（メタデータ） (2026-08-21T13:08:37Z) - Partial Skeleton Visibility for Action Recognition: A Constrained Field-of-View Approach [60.596944437968524]
partialVisGraphは、制約されたフィールド・オブ・ビューの下で、堅牢なスケルトンベースのアクション認識のための新しいフレームワークである。
部分的な可視性の下では、最先端の精度を一貫して達成し、厳しいFoV制限のあるサブセットでは68.8%まで上昇する。
提案手法は,非拘束環境下でのスケルトンに基づく行動理解を実現するための,原則的かつ実践的な経路を提供する。
論文 参考訳（メタデータ） (2026-07-01T10:03:11Z) - Hybrid Robustness Verification for Spatio-Temporal Neural Networks [19.026662893450425]
既存の検証方法は、過度に保守的な近似や不正な計算コストに依存している。
実際には、対向摂動は、低次元、意味論的に意味のある部分空間に制約された、構造化された空間的および時間的相関を示す。
動作認識(UCF-101)、自律運転(Udacity)、医用画像(MedMNIST)の用途を対象として、3次元CNNによる映像入力のロバスト性検証を行う。
論文 参考訳（メタデータ） (2026-06-08T17:06:51Z) - Control Your View: High-Resolution Global Semantic Manipulation in Learned Image Compression [69.69246209085425]
学習された画像圧縮(lic)は、ディープニューラルネットワーク(DNN)を統合して、高次元画像をコンパクトな潜在表現にマッピングする。
リックシステムは、下流の劣化、圧縮速度の低下、未ターゲットの歪み、局所意味操作(LSM)と低解像度(3times28times28$)のグローバル意味操作(GSM)に繋がる敵の摂動の影響を受けやすい。
論文 参考訳（メタデータ） (2026-05-09T06:25:20Z) - Probabilistic Robustness Analysis in High Dimensional Space: Application to Semantic Segmentation Network [6.587910936799125]
本稿では,アーキテクチャに依存しない,スケーラブルで高次元出力が可能な確率的検証フレームワークを提案する。
提案手法は,サンプルベースリーチビリティ解析と共形推論(CI)を組み合わせて,証明可能な保証を提供する。
提案手法は,SOTAに比べて厳密な境界を保ちながら,信頼性の高い安全保証を提供することを示す。
論文 参考訳（メタデータ） (2025-09-15T12:25:25Z) - AdversariaL attacK sAfety aLIgnment(ALKALI): Safeguarding LLMs through GRACE: Geometric Representation-Aware Contrastive Enhancement- Introducing Adversarial Vulnerability Quality Index (AVQI) [21.209413521884297]
LLMに対する敵の脅威は、現在の防衛が適応できるよりも急速にエスカレートしている。
ALKALIは, 厳格にキュレートされた最初の逆数ベンチマークである。
本稿では、遅延空間正規化と協調するアライメントフレームワークGRACEを紹介する。
論文 参考訳（メタデータ） (2025-06-10T15:14:17Z) - A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。
本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
論文 参考訳（メタデータ） (2025-05-19T00:48:53Z) - GIFD: A Generative Gradient Inversion Method with Feature Domain
Optimization [52.55628139825667]
Federated Learning(FL)は、クライアントのプライバシを保護するための有望な分散機械学習フレームワークとして登場した。
近年の研究では、事前学習された生成逆ネットワーク(GAN)を事前知識として活用することにより、攻撃者が共有勾配を逆転し、FLシステムに対する機密データを回復できることが示されている。
textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD)を提案する。
論文 参考訳（メタデータ） (2023-08-09T04:34:21Z) - Maximum Spatial Perturbation Consistency for Unpaired Image-to-Image
Translation [56.44946660061753]
本稿では,最大空間摂動整合(MSPC)と呼ばれる普遍正規化手法を提案する。
MSPCは空間摂動関数(T)と変換演算子(G)を可換(TG = GT)に強制する。
提案手法は,ほとんどのI2Iベンチマークにおいて最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-03-23T19:59:04Z) - 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) - Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。
近年の取り組みは、他の等級のl_infty摂動と組み合わせている。
本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-10T20:11:36Z)
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。