論文の概要: ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors

• arxiv url: http://arxiv.org/abs/2607.15246v1
• Date: Thu, 16 Jul 2026 17:45:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.199363
• Title: ARMOR++: Agentic Orchestration of a Multi-Domain Primitive Set for Transferable Attacks on Deepfake Detectors
• Title（参考訳）: ARMOR++: ディープフェイク検出器へのトランスファー可能な攻撃のためのマルチドメインプリミティブセットのエージェントオーケストレーション
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 28.44035744358622
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The reliability of deepfake detectors frequently degrades under black-box adversarial transfer, as these models often rely on fragile, architecture-dependent forensic cues. Existing transfer attacks often lack semantic awareness and struggle to maintain effectiveness under strict no-query constraints, particularly when perturbations are transferred from convolutional surrogates to transformer-based targets. To address these limitations, this paper introduces ARMOR++, a robust multi-agent framework designed for high-transferability deepfake evasion. The framework leverages the Qwen2.5-VL Vision-Language Model (VLM) to supply spatial semantic priors, while the Qwen3 Large Language Model (LLM) orchestrates primitive selection, adaptive hyperparameter reparameterization, and entropy-regularized perturbation mixing. By integrating five complementary primitives, spanning dense optimization, saliency-based methods, spatial transformations, frequency-domain perturbations, and block-structured modifications, ARMOR++ effectively targets heterogeneous inductive biases. Rigorous evaluation on the AADD-2025 benchmark demonstrates that ARMOR++ significantly outperforms existing agentic and non-agentic baselines across both low- and high-quality image regimes. Statistical analysis confirms a substantial gain in blind-target Attack Success Rate (ASR) over the state-of-the-art agentic baseline, with further performance advantages evidenced against non-agentic benchmarks and under robust defensive configurations. These findings highlight a significant residual reliability gap in current deepfake detector deployments and demonstrate the efficacy of agentic orchestration in identifying latent vulnerabilities.
• Abstract（参考訳）: ディープフェイク検出器の信頼性はブラックボックスの逆転の下でしばしば低下するが、これらのモデルは脆弱でアーキテクチャに依存した法医学的手がかりに依存することが多い。 既存のトランスファー攻撃は意味的認識を欠くことが多く、特に摂動が畳み込みサロゲートからトランスフォーマーベースのターゲットに移される場合、厳密な非クエリ制約の下で有効性を維持するのに苦労する。 これらの制約に対処するために,高透過性ディープフェイク回避のために設計された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。 このフレームワークは、Qwen2.5-VL Vision-Language Model (VLM)を利用して空間的セマンティックプリミティブを供給し、Qwen3 Large Language Model (LLM)はプリミティブセレクション、適応型ハイパーパラメータのパラメータ化、エントロピー規則化された摂動混合をオーケストレーションする。 5つの補完的プリミティブを統合することで、厳密な最適化、サリエンシに基づくメソッド、空間変換、周波数領域の摂動、ブロック構造的な修正を実現し、ARMOR++は事実上異質な帰納バイアスをターゲットとしている。 AADD-2025ベンチマークの厳密な評価は、ARMOR++が、低品質と高画質の両方の画像レギュレーションにおいて、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著しく上回っていることを示している。 統計的分析により、最先端のエージェントベースラインに対する盲目的攻撃成功率(ASR)が大幅に向上し、非エージェントベンチマークや堅牢な防御構成下でのさらなるパフォーマンス上のアドバンテージが証明された。 これらの知見は、現在のディープフェイク検出器の配置において、重大な信頼性の欠如を示し、潜伏する脆弱性を特定するためのエージェントオーケストレーションの有効性を示した。

関連論文リスト

• MS-MFAD : Multimodal large language models for Face Anti-spoofing Detection [25.077055201475442]
  顔検出のためのMFAD(Multimodal Large Language Models)を提案する。 MFADは、微細なピクセル・セマンティックアンカー機構により、マルチモーダル大言語モデルの本質的な推論機能を活性化する。 攻撃カテゴリごとに1,000の正確なマスクをアノテートすることで、我々はスプーフされた領域に厳密に対応するエビデンス連鎖を生成する。
  論文  参考訳（メタデータ） (2026-08-18T03:38:59Z)
• TIGA: Trajectory-Injected Generative Attack against Black-box AIGC Detectors [76.4118981404995]
  Trajectory-Injected Generative Attack (TIGA) は、検出器回避画像を生成する、ソースフリーでトレーニング可能なフリーフレームワークである。 TIGAはDDIM(Laint Denoising Diffusion Implicit Model)の軌道を制御し、生成中に対向特性が出現するようにしている。 TIGAは、共通の後処理操作下で、強力なブラックボックス攻撃性能、転送性、高ロバスト性を実現する。
  論文  参考訳（メタデータ） (2026-07-28T15:51:39Z)
• Perception, Verdict, and Evolution: Hindsight-Driven Self-Refining Forensics Agent for AI-Generated Image Detection [80.15317858033534]
  ForeAgentは、反復的な自己進化を伴うAI生成画像検出のためのエージェント法医学フレームワークである。 ForeAgentはChameleonベンチマークで最先端のパフォーマンスを達成し、精度は82.18%に達した。 ForeAgent は GPT-5 や GPT-5-mini と比較して、より一貫性があり、因果的な推論をもたらす。
  論文  参考訳（メタデータ） (2026-06-25T02:59:33Z)
• Diagnosing and Mitigating Compounding Failures in Agentic Persuasion via Taxonomic Strategy Retrieval [2.5607169168631696]
  分類学的戦略RAG(英: Taxonomic Strategy RAG、TS-RAG)は、個別の分類的ボトルネックを通じて戦略をルートし、議論的構造をトピックの内容から切り離すシステム介入である。 TS-RAGは、標準的なセマンティック検索が崩壊する抽象論理の転送を大幅に改善する。 非対称な配置において「能力橋」として機能し、軽量な説得者に対抗相手を一貫して打ち負かす権限を与える。
  論文  参考訳（メタデータ） (2026-06-23T12:16:27Z)
• TaFD: Threat-Aware Frequency Decoupling for Adversarial Robustness against Heterogeneous Attacks [6.525195905471157]
  マルチスレッドの堅牢性は、ディープラーニングにおける根本的な課題である。 関節対位訓練(JAT)は広く採用されているが、異種性脅威下での負の移動に悩まされている。 本稿では,JATを周波数領域分割・分散パラダイムとして再編成する2段階防衛フレームワークであるTreat-aware Frequency Decoupling (TaFD)を提案する。
  論文  参考訳（メタデータ） (2026-06-16T05:38:26Z)
• Frequency-Domain Regularized Adversarial Alignment for Transferable Attacks against Closed-Source MLLMs [59.973833105841685]
  対向移動性を改善するための重要な課題は、異なるモデル間で共有される本質的な視覚的焦点を効果的に捉えることである。 本稿では、FRA-Attackを提案する。このFRA-Attackは、周波数領域の統一正規化の観点から、両方の課題に対処する。 機能アライメントのために、パッチ機能に対する高パスDCTは、冗長なグローバル構造を抑圧し、MLLMの固有の視覚的焦点を持つ高周波帯域の損失に集中する。 勾配最適化のために、代用勾配を変調するテキストモデルに依存しない低パス正規化器である周波数領域勾配正規化(FGR)を導入する。
  論文  参考訳（メタデータ） (2026-05-20T08:15:56Z)
• OmniVL-Guard: Towards Unified Vision-Language Forgery Detection and Grounding via Balanced RL [63.388513841293616]
  既存の偽造検出手法は、現実世界の誤報に多いインターリーブされたテキスト、画像、ビデオを扱うのに失敗する。 このギャップを埋めるため,本論文では,オムニバス・ビジョン言語による偽造検出と接地のための統一フレームワークの開発を目標としている。 我々は、OmniVL-Guardという、オムニバス視覚言語による偽造検出と接地のためのバランスの取れた強化学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-11T09:41:36Z)
• Transferable Dual-Domain Feature Importance Attack against AI-Generated Image Detector [32.543253278021446]
  最近のAI生成画像検出器(AIGI)は、クリーンな条件下で印象的な精度を達成している。 このような検出器の安全性を評価するための高度な敵攻撃を開発することは重要である。 本稿では,AIGI検出器をある程度無効化するためのDual-Domain Feature Importance Attackスキームを提案する。
  論文  参考訳（メタデータ） (2025-11-19T16:03:15Z)
• Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
  ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する 初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。 我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2025-06-23T02:35:09Z)
• 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)
• Source-Free Domain Adaptive Object Detection with Semantics Compensation [54.00183496587841]
  Weak-to-strong Semantics Compensation (WSCo)を導入する。 WSCoは、クラス関連セマンティクスを補う。 WSCoは一般的なプラグインとして実装することができ、既存のSFODパイプラインと容易に統合できます。
  論文  参考訳（メタデータ） (2024-10-07T23:32:06Z)

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。