論文の概要: GuidedRay: Diversity-Guided Direction Discovery for Targeted Hard-Label Black-Box Attacks

• arxiv url: http://arxiv.org/abs/2609.25734v1
• Date: Tue, 22 Sep 2026 06:11:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.237896
• Title: GuidedRay: Diversity-Guided Direction Discovery for Targeted Hard-Label Black-Box Attacks
• Title（参考訳）: GuidedRay: ターゲットにハードラベルのブラックボックス攻撃のための多様性誘導方向発見
• Abstract要約: GuidedRayは、多様性に基づく方向発見に基づく、意思決定に基づく攻撃である。 それは、500から5000までの4つの評価されたクエリ予算において、最先端の意思決定ベースの5つの攻撃を継続的に上回っている。
• 参考スコア（独自算出の注目度）: 29.32282994926997
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks are vulnerable to adversarial attacks. Among black-box attacks, targeted decision-based attacks are particularly difficult: the attacker observes only the target model's top-1 label and aims to make it predict a prespecified target class under a bounded perturbation. Before perturbation refinement, the attacker must discover a direction that reaches the prescribed target region. This initialization step can incur substantial query cost. We propose GuidedRay, a targeted decision-based attack based on diversity-guided direction discovery. GuidedRay builds on two observations: target-class reference samples provide useful target-conditioned direction priors, and diverse candidates increase the probability of discovering a targeted adversarial direction. GuidedRay generates varied candidates from one or multiple target-class references and uses a one-query Fast Test to screen their induced sign directions. Once a feasible direction is found, GuidedRay applies Ray Search to reduce its decision-boundary radius. Experiments on CIFAR-10, CIFAR-100, and ImageNet demonstrate that GuidedRay consistently outperforms five state-of-the-art decision-based attacks at four evaluated query budgets from 500 to 5,000, with particularly pronounced gains in direction discovery during initialization. Against models protected by adversarial training or TRADES, it likewise achieves the highest attack success rate at all four query budgets.
• Abstract（参考訳）: ディープニューラルネットワークは敵の攻撃に弱い。 攻撃者はターゲットモデルのトップ1ラベルのみを観察し、境界摂動の下で事前に特定されたターゲットクラスを予測することを目的としている。 摂動改善の前には、攻撃者は所定の目標領域に到達する方向を見つけなければならない。 この初期化ステップは、かなりのクエリコストを発生させる可能性がある。 多様性誘導方向探索に基づく目標決定に基づく攻撃である GuidedRay を提案する。 GuidedRayは、2つの観測に基づいて構築されている: ターゲットクラス参照サンプルは、有用な目標条件付き方向の先行情報を提供する。 GuidedRayは1つまたは複数のターゲットクラスの参照からさまざまな候補を生成し、インジェクションされたサインの方向を表示するために1クエリのFast Testを使用する。 実現可能な方向が見つかると、ガイドドレイはその決定境界半径を減らすためにレイサーチを適用する。 CIFAR-10、CIFAR-100、ImageNetの実験では、 GuidedRayは500から5000までの4つの評価されたクエリ予算において、最先端の意思決定ベースの攻撃を一貫して5つ上回っている。 敵の訓練やTRADESによって保護されるモデルに対して、全ての4つのクエリ予算において攻撃の成功率が最も高い。

関連論文リスト

• Co-Evolving Zero-Day Jamming: Adaptive Attack Synthesis and Graph Attention-Based Online Detection [28.60380798874895]
  時間-スペクトル表現学習のためのグラフ注意ネットワーク(GAT)とDirichlet Process(DP)-meansクラスタリングを組み合わせたオンライン検出フレームワークが導入された。 逆ベンチマークとして推論駆動強化学習(RL)ジャマーを提案する。 シミュレーションの結果,提案したRLジャマーは,33%の攻撃効率,67%のステルスを達成し,ベンチマークを上回る性能を示した。
  論文  参考訳（メタデータ） (2026-09-18T05:34:30Z)
• AdvQDet: Detecting Query-Based Adversarial Attacks with Adversarial Contrastive Prompt Tuning [93.77763753231338]
  CLIP画像エンコーダを微調整し、2つの中間対向クエリに対して同様の埋め込みを抽出するために、ACPT(Adversarial Contrastive Prompt Tuning)を提案する。 我々は,ACPTが7つの最先端クエリベースの攻撃を検出できることを示す。 また,ACPTは3種類のアダプティブアタックに対して堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-08-04T09:53:50Z)
• ADBA:Approximation Decision Boundary Approach for Black-Box Adversarial Attacks [6.253823500300899]
  ブラックボックス攻撃はステルス性があり、機械学習モデルからハードラベルを使用して敵の例を生成する。 本稿では,近似決定境界(ADB)を用いて摂動方向を効率よく正確に比較する手法を提案する。 我々のADBアプローチ(ADBA)の有効性は、適切なADBを迅速に同定し、全ての摂動方向を確実に区別することにある。
  論文  参考訳（メタデータ） (2024-06-07T15:09:25Z)
• Model X-ray:Detecting Backdoored Models via Decision Boundary [62.675297418960355]
  バックドア攻撃はディープニューラルネットワーク(DNN)に重大な脆弱性をもたらす 図形化された2次元(2次元)決定境界の解析に基づく新しいバックドア検出手法であるモデルX線を提案する。 提案手法は,クリーンサンプルが支配する意思決定領域とラベル分布の集中度に着目した2つの戦略を含む。
  論文  参考訳（メタデータ） (2024-02-27T12:42:07Z)
• Object-fabrication Targeted Attack for Object Detection [54.10697546734503]
  物体検出の敵攻撃は 標的攻撃と未標的攻撃を含む。 新たなオブジェクトファブリケーションターゲット攻撃モードは、特定のターゲットラベルを持つ追加の偽オブジェクトをファブリケートする検出器を誤解させる可能性がある。
  論文  参考訳（メタデータ） (2022-12-13T08:42:39Z)
• RayS: A Ray Searching Method for Hard-label Adversarial Attack [99.72117609513589]
  我々は、レイサーチ攻撃(RayS)を提案し、これはハードラベル攻撃の有効性と効率を大幅に改善する。 モデルの正当性チェックとしても使用できる。
  論文  参考訳（メタデータ） (2020-06-23T07:01:50Z)
• AdvMind: Inferring Adversary Intent of Black-Box Attacks [66.19339307119232]
  本稿では,ブラックボックス攻撃の敵意を頑健に推定する新たな評価モデルであるAdvMindを提案する。 平均的なAdvMindは、3回未満のクエリバッチを観察した後、75%以上の精度で敵の意図を検出する。
  論文  参考訳（メタデータ） (2020-06-16T22:04:31Z)

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。