論文の概要: Season: Spectrum-Aware Orthogonal Gradient Refinement for Transfer-Based Adversarial Attacks

• arxiv url: http://arxiv.org/abs/2608.04441v1
• Date: Wed, 05 Aug 2026 04:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.723944
• Title: Season: Spectrum-Aware Orthogonal Gradient Refinement for Transfer-Based Adversarial Attacks
• Title（参考訳）: 経時的逆行性攻撃に対するスペクトル認識直交勾配補正法
• Authors: Tianyi Wang, Zhenghao Gao, Shengjie Xu,
• Abstract要約: Seasonは、ImageNet上のブラックボックスターゲットモデルに対するLインフィニティ転送攻撃のためのフレームワークである。 シーズンは各更新を低周波分岐に分解し、構造的キューをキャプチャし、高周波分岐をキャプチャするテクスチャをキャプチャする。 トレーニングフリーのプラグイン・アンド・プレイラッパーとして、コアを変更することなく8つの安定化とインプット・エンハンスメント攻撃を強化する。
• 参考スコア（独自算出の注目度）: 7.523182511616309
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Transfer-based adversarial attacks often transfer poorly across heterogeneous architectures because CNNs favor local textures while Vision Transformers (ViTs) rely on global shapes. We propose Season, a spectrum-aware orthogonal gradient refinement framework for L-infinity transfer attacks against black-box target models on ImageNet, using a white-box surrogate. Season decomposes each update into a low-frequency branch capturing structural cues and a high-frequency branch capturing textures. A low-saliency guidance scheme reallocates high-frequency energy to background regions, preserving foreground structures that ViTs depend on. An orthogonal projection then forces the textural update to lie in the orthogonal complement of the structural direction, mitigating feature interference. As a training-free plug-and-play wrapper, Season enhances eight gradient-stabilization and input-enhancement attacks without modifying their cores. Across eight CNN, ViT, and MLP targets, Season improves transfer success rate by 6.6 percentage points on average and up to 16.0 points over strong baselines under a unified protocol.
• Abstract（参考訳）: CNNは局所的なテクスチャを好んでおり、ViT(Vision Transformer)はグローバルな形状に依存している。 我々は、ホワイトボックスサロゲートを用いて、ImageNet上のブラックボックスターゲットモデルに対するL-インフィニティトランスファー攻撃のためのスペクトル対応直交勾配改善フレームワークであるシーズンを提案する。 シーズンは各更新を低周波分岐に分解し、構造的キューをキャプチャし、高周波分岐をキャプチャするテクスチャをキャプチャする。 低周波誘導方式は、VTが依存する前景構造を保存し、高周波エネルギーを背景領域に再配置する。 直交投影により、テクスチャ更新は構造方向の直交補体に置かれ、特徴的干渉を緩和する。 トレーニング不要のプラグイン・アンド・プレイラッパーとして、コアを変更することなく8つのグラデーション・安定化と入力・エンハンスメント・アタックが強化される。 8つのCNN、ViT、MLPの目標に対して、シーズンは転送成功率を平均6.6ポイント、統一されたプロトコルの下では強力なベースラインよりも16.0ポイント改善している。

関連論文リスト

• Pushing the Frontier of Black-Box LVLM Attacks via Fine-Grained Detail Targeting [42.1359967984183]
  LVLM(Large Vision-Language Models)に対するブラックボックスの敵攻撃は、勾配の欠如と複雑なマルチモーダル境界のために困難である。 我々は、M-Attackのような最先端のトランスファーベースアプローチが、ソース画像とターゲット画像の局所的な作物レベルのマッチングを用いてうまく機能することを発見した。 我々は、ソース変換とターゲットセマンティクスに対する非対称な期待値として局所マッチングを再構成し、M-Attackへの勾配を減少させるアップグレードを構築する。
  論文  参考訳（メタデータ） (2026-02-19T18:54:32Z)
• DeshadowMamba: Deshadowing as 1D Sequential Similarity [85.07259906446588]
  指向性状態遷移を通じてグローバルなコンテキストを伝播する選択状態空間モデルであるMambaを紹介する。 その可能性にもかかわらず、マンバを画像データに直接適用することは、シャドー・ノン・シャドウ・セマンティクスの認識が欠けているため、最適ではない。 我々は,マンバの入力ゲートにシャドウ・アウェアの類似性を注入する方向変調機構であるCrossGateを提案する。 外観の忠実度をさらに高めるために,グローバルな色統計によって駆動される対照的な学習目標であるColorShift正則化を導入する。
  論文  参考訳（メタデータ） (2025-10-28T10:14:23Z)
• 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)
• Enabling Heterogeneous Adversarial Transferability via Feature Permutation Attacks [2.903672829452489]
  ブラックボックス設定でのアドリアック攻撃は非常に実践的です。 転送ベースの攻撃は、敵の例を生成するのに最も効果的である。 本稿では,多様なアーキテクチャをまたいだ対向移動性を向上させるゼロFLOP,パラメータフリーな手法を提案する。
  論文  参考訳（メタデータ） (2025-03-26T08:20:17Z)
• PCE-GAN: A Generative Adversarial Network for Point Cloud Attribute Quality Enhancement based on Optimal Transport [56.56430888985025]
  点雲品質向上のための生成逆ネットワーク(PCE-GAN)を提案する。 ジェネレータは、局所特徴抽出(LFE)ユニット、大域空間相関(GSC)ユニット、特徴圧縮ユニットからなる。 判別器は、強化点雲と原点雲の確率分布のずれを計算し、ジェネレータを誘導して高品質な再構成を実現する。
  論文  参考訳（メタデータ） (2025-02-26T07:34:33Z)
• CENSOR: Defense Against Gradient Inversion via Orthogonal Subspace Bayesian Sampling [63.07948989346385]
  フェデレーション学習は、グローバルサーバ上でニューラルネットワークを協調的にトレーニングする。 各ローカルクライアントは、現在のグローバルモデルウェイトを受信し、そのローカルプライベートデータに基づいてパラメータ更新(グラディエント)を返送する。 既存の勾配反転攻撃は、クライアントの勾配ベクトルからプライベートトレーニングインスタンスを復元するためにこの脆弱性を利用することができる。 本稿では,大規模ニューラルネットワークモデルに適した新しい防衛手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T01:06:23Z)
• 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)
• GradViT: Gradient Inversion of Vision Transformers [83.54779732309653]
  我々は,視力変換器(ViT)の勾配に基づく逆攻撃に対する脆弱性を実証する。 自然に見える画像にランダムノイズを最適化するGradViTという手法を提案する。 元の(隠された)データに対する前例のない高い忠実さと近接性を観察する。
  論文  参考訳（メタデータ） (2022-03-22T17:06:07Z)
• Enhancing the Transferability of Adversarial Attacks through Variance Tuning [6.5328074334512]
  反復勾配に基づく攻撃手法のクラスを強化するための分散チューニングと呼ばれる新しい方法を提案する。 標準のImageNetデータセットを用いた実験結果から,勾配に基づく敵攻撃の転送性を大幅に向上できることが示された。
  論文  参考訳（メタデータ） (2021-03-29T12:41:55Z)

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。