論文の概要: Perspective-Invariant Attack with Enhanced Transferability of Adversarial Examples
- arxiv url: http://arxiv.org/abs/2608.15115v1
- Date: Sat, 15 Aug 2026 08:32:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.202674
- Title: Perspective-Invariant Attack with Enhanced Transferability of Adversarial Examples
- Title（参考訳）: 反対例の伝達性を高めるパースペクティブ不変アタック
- Abstract要約: 代理的なディープニューラルネットワーク(DNN)で生成された逆例は、他のブラックボックスDNNモデルをうまく騙すことができる。
本稿では,幾何学的に多様な入力変動を発生させる視点不変攻撃(PIA)を提案する。
PIA-Mixは相補的な変換プールを維持し、我々の視点変換と補助的手法を効率的に組み合わせて転送性を向上させる汎用拡張である。
- 参考スコア（独自算出の注目度）: 17.59426032040291
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adversarial examples generated on a surrogate deep neural network (DNN) can often successfully fool other black-box DNN models. This cross-model transferability poses serious security threats to DNNs in practical applications. Input transformation techniques are widely used to enhance adversarial transferability by increasing the diversity of input images. However, existing methods primarily rely on local operations with limited degrees of freedom (DOF), such as block-wise shuffling and resizing, overlooking global perspective transformations that naturally arise from viewpoint changes. In this work, we propose a Perspective-Invariant Attack (PIA), which introduces a multi-DOF vertex sampling strategy that systematically covers the perspective transformation hierarchy from 2-DOF translation to 8-DOF projective mapping. By generating geometrically diverse input variations, PIA effectively reduces overfitting of adversarial perturbations to the surrogate model, thereby improving adversarial transferability. We further propose PIA-Mix, a generic extension that maintains a complementary transformation pool and efficiently combines our perspective transformation with auxiliary methods for improved transferability. Extensive experiments involving various DNN architectures, advanced defense mechanisms, and multimodal large language models (LLMs) demonstrate that PIA and PIA-Mix outperform state-of-the-art transfer-based attacks.
- Abstract（参考訳）: 代理的なディープニューラルネットワーク(DNN)で生成された逆例は、他のブラックボックスDNNモデルをうまく騙すことができる。
このクロスモデル転送性は、実用アプリケーションにおけるDNNに深刻なセキュリティ脅威をもたらす。
入力変換技術は、入力画像の多様性を増大させることで、敵の転送可能性を高めるために広く用いられている。
しかし、既存の手法は、ブロックワイズシャッフルやリサイズのような制限された自由度(DOF)を持つ局所的な操作に依存しており、視点変化から自然に生じるグローバルな視点変換を見渡せる。
本研究では、2-DOF変換から8-DOF射影写像への視点変換階層を体系的にカバーする多自由度頂点サンプリング戦略を提案する。
幾何的に多様な入力のバリエーションを生成することにより、PIAは代理モデルに対する対向的摂動の過度な適合を効果的に低減し、対向的伝達性を向上させる。
PIA-Mixは相補的な変換プールを維持し、我々の視点変換と補助的手法を効率的に組み合わせて転送性を向上させる汎用拡張である。
様々なDNNアーキテクチャ、高度な防御機構、多モーダル大規模言語モデル(LLM)を含む大規模な実験は、PIAとPIA-Mixが最先端の転送ベース攻撃より優れていることを示した。
関連論文リスト
- Prototype-Anchored Generalized Manifold Regression for Unknown-Domain Object Detection [58.25418970608328]
単一ソースドメイン上でトレーニングされた検出器を複数の未確認領域に転送することを目的としたシングルドメイン一般化オブジェクト検出(Single-DGOD)について検討する。
既存の手法は主に、トレーニング分布を拡大するために、データ拡張やテキストプロンプトといったシミュレーション駆動の戦略に依存している。
本稿では, 未知領域の一般化を多様体回帰問題として定式化する, Visual-Text Dual Chain-of-Thought (MR-DCoT) を用いたマニフォールド回帰を提案する。
論文 参考訳（メタデータ） (2026-07-08T09:27:15Z) - Boosting the Local Invariance for Better Adversarial Transferability [4.75067406339309]
トランスファーベースの攻撃は、現実世界のアプリケーションに重大な脅威をもたらす。
LI-Boost (Local Invariance Boosting approach) と呼ばれる一般対向転送可能性向上手法を提案する。
標準のImageNetデータセットの実験では、LI-Boostがさまざまなタイプの転送ベースの攻撃を著しく強化できることが示された。
論文 参考訳（メタデータ） (2025-03-08T09:44:45Z) - Enhancing Adversarial Transferability via Component-Wise Transformation [28.209214055953844]
本稿では,CWT(Component-Wise Transformation)と呼ばれる新しい入力ベースの攻撃手法を提案する。
CWTは個々の画像ブロックに選択的回転を適用し、変換された各画像が異なるターゲット領域をハイライトすることを保証する。
標準のImageNetデータセットの実験では、CWTは攻撃成功率と安定性の両方において、最先端の手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-01-21T05:41:09Z) - 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 Transferable Targeted Attacks with Feature Tuning Mixup [12.707753562907534]
ディープニューラルネットワーク(DNN)は、異なるモデル間で転送可能な敵の例に対する脆弱性を示す。
ターゲット攻撃の伝達性を向上する新しい手法であるFeature Tuning Mixup (FTM)を提案する。
提案手法は,計算コストを低く抑えつつ,最先端の手法よりも大幅に向上する。
論文 参考訳（メタデータ） (2024-11-23T13:18:25Z) - Semantic-Aligned Adversarial Evolution Triangle for High-Transferability Vision-Language Attack [51.16384207202798]
視覚言語事前学習モデルは多モーダル逆例(AE)に対して脆弱である
従来のアプローチでは、画像とテキストのペアを拡大して、敵対的なサンプル生成プロセス内での多様性を高めている。
本稿では, 敵の多様性を高めるために, クリーン, ヒストリ, および現在の敵の例からなる敵の進化三角形からのサンプリングを提案する。
論文 参考訳（メタデータ） (2024-11-04T23:07:51Z) - Boosting Transferability in Vision-Language Attacks via Diversification along the Intersection Region of Adversarial Trajectory [8.591762884862504]
視覚言語事前学習モデルは多モーダル逆例(AE)の影響を受けやすい
我々は,AEsの多様性を拡大するために,対向軌道の交差領域に沿った多様化を利用することを提案する。
潜在的なオーバーフィッティングを緩和するため、最適化経路に沿った最後の交差点領域から逸脱する逆テキストを指示する。
論文 参考訳（メタデータ） (2024-03-19T05:10:10Z) - Structure Invariant Transformation for better Adversarial
Transferability [9.272426833639615]
構造不変攻撃(Structure Invariant Attack, SIA)と呼ばれる新しい入力変換に基づく攻撃を提案する。
SIAは各画像ブロックにランダムな画像変換を適用し、勾配計算のための多様な画像群を作成する。
標準的なImageNetデータセットの実験では、SIAは既存のSOTA入力変換ベースの攻撃よりもはるかに優れた転送性を示している。
論文 参考訳（メタデータ） (2023-09-26T06:31:32Z) - Improving Transferability of Adversarial Examples via Bayesian Attacks [68.90574788107442]
敵の例は未知のディープニューラルネットワーク(DNN)への攻撃を可能にする
本稿では,ベイズ式をモデルパラメータとモデル入力の両方に組み込むことで,逆例の転送性を向上させる。
実験により,本手法がトランスファーベース攻撃における新たな最先端技術を実現することを示す。
論文 参考訳（メタデータ） (2023-07-21T03:43:07Z) - Making Substitute Models More Bayesian Can Enhance Transferability of
Adversarial Examples [89.85593878754571]
ディープニューラルネットワークにおける敵の例の転送可能性は多くのブラックボックス攻撃の欠如である。
我々は、望ましい転送可能性を達成するためにベイズモデルを攻撃することを提唱する。
我々の手法は近年の最先端を大きなマージンで上回る。
論文 参考訳（メタデータ） (2023-02-10T07:08:13Z) - Exploring Transferable and Robust Adversarial Perturbation Generation
from the Perspective of Network Hierarchy [52.153866313879924]
敵の例の移動可能性と堅牢性は、ブラックボックスの敵攻撃の実用的かつ重要な2つの性質である。
伝送可能で頑健な逆生成法(TRAP)を提案する。
我々のTRAPは、ある種の干渉に対して印象的な伝達性と高い堅牢性を実現する。
論文 参考訳（メタデータ） (2021-08-16T11:52:41Z)
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。