論文の概要: Frame the adversary: a structure-aware attack methodology

• arxiv url: http://arxiv.org/abs/2609.31128v1
• Date: Fri, 25 Sep 2026 11:22:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 18:27:51.360308
• Title: Frame the adversary: a structure-aware attack methodology
• Title（参考訳）: 敵のフレーム:構造を意識した攻撃手法
• Abstract要約: 本稿では、専用最適化フレームワークを用いて、周波数に基づく敵攻撃を発生させる手法を提案する。 我々の手法の土台は摂動制約セットの導入である。 我々は、このセットに$ell$-projectionsを重み付けして攻撃が発生することを証明し、汎用的で制御された攻撃生成機構を生成する。
• 参考スコア（独自算出の注目度）: 31.31476836896097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frequency-based adversarial attacks have recently grown popular by exploiting spectral sensitivities shared across neural architectures. Unlike spatial perturbations, frequency-based attacks expose deeper vulnerabilities, making them especially valuable for robust evaluation of safety-critical and security-sensitive applications. Yet, existing approaches are typically not derived as solutions to an optimization problem that explicitly captures transform-domain structure. In this paper, we propose a methodology for crafting principled frequency-based adversarial attacks, via a dedicated optimization framework. A cornerstone of our method hinges on the introduction of a perturbation constraint set, tied to highly structured non-orthogonal transforms, well-known for their flexible, non-predefined frequency handling. We prove that the attacks emerge as weighted $\ell_2$-projections onto this set, yielding a general and controlled attack generation mechanism. By this, we provide a clear geometric attack characterization, ensuring alignment between the optimization objective and the perturbation constraint. We assess our framework on standardized datasets, for pretrained and adversarially robust models. Results highlight that our attacks, being solutions to an optimization problem, over a structured perturbation set, are highly effective, even across different, unseen architectures. Our methodology could serve as a theoretical baseline for designing and analyzing transformed-based attacks, targeting fundamental model vulnerabilities, instead of mere architecture-specific artifacts typically studied in the robustness literature.
• Abstract（参考訳）: 周波数ベースの敵攻撃は、最近、ニューラルネットワーク間で共有されるスペクトル感度を利用して人気を博している。 空間摂動とは異なり、周波数ベースの攻撃はより深い脆弱性を露呈し、特に安全クリティカルでセキュリティに敏感なアプリケーションの堅牢な評価に有用である。 しかし、既存のアプローチは通常、変換ドメイン構造を明示的にキャプチャする最適化問題の解決策として導出されない。 本稿では,専用最適化フレームワークを用いて,基本周波数に基づく敵攻撃の手法を提案する。 この手法の土台は、高度に構造化された非直交変換に結びついた摂動制約セットの導入であり、フレキシブルで非既定義の周波数ハンドリングでよく知られている。 我々は、このセットに$\ell_2$-projectionsを重み付けして攻撃が発生することを証明し、汎用的で制御された攻撃生成機構を生成する。 これにより、最適化目標と摂動制約との整合性を確保するために、明確な幾何学的攻撃特性を提供する。 我々は、事前訓練された、逆向きに堅牢なモデルに対して、標準化されたデータセット上で、我々のフレームワークを評価する。 結果は、最適化問題に対する解決策である、構造化摂動集合に対する攻撃は、異なる、目に見えないアーキテクチャにわたって、非常に効果的であることを強調した。 我々の方法論は、アーキテクチャ固有のアーティファクトではなく、基本的なモデル脆弱性をターゲットにしたトランスフォーメーションベースの攻撃を設計、分析するための理論的ベースラインとして機能する。

関連論文リスト

• Robust Ensemble of Selectively Strengthened and Augmented Predictors [0.23332469289621782]
  エベイジオン攻撃は、機械学習(ML)ベースの分類器の堅牢性に重大な課題をもたらす。 本稿では,ロバスト・アンサンブル(Robust Ensemble of Selectivelyened and Augmented Predictors,RESSAP)を紹介する。 推論中、これらの分類器のランダムな部分集合は予測し、予測不可能性を高め、敵の操作に対する抵抗を改善するために使用される。
  論文  参考訳（メタデータ） (2026-06-04T15:09:00Z)
• Low Rank Adaptation for Adversarial Perturbation [50.24377354110586]
  Low-Rank Adaptation (LoRA) はLarge Language Models (LLM) のトレーニング効率を大幅に改善した。 逆方向の例の生成はモデルトレーニングに類似した最適化プロセスであるため、これは自然に疑問を提起する: 逆方向の摂動は同様の低ランク構造を示すか? 本稿では, 種々の攻撃手法, モデルアーキテクチャ, およびデータセットに関する理論的解析および広範な実証的研究を行い, 対向摂動が実際に低ランク構造を持つことを示す。
  論文  参考訳（メタデータ） (2026-04-30T06:38:28Z)
• Bridging Symmetry and Robustness: On the Role of Equivariance in Enhancing Adversarial Robustness [9.013874391203453]
  敵対的な例では、知覚不能な入力摂動に対する感度を利用して、ディープニューラルネットワークの重大な脆弱性を明らかにしている。 本研究では,群-同変畳み込みを組込み,対向ロバスト性に対するアーキテクチャ的アプローチについて検討する。 これらの層は、モデル行動と入力空間の構造化変換を整合させる対称性の先行を符号化し、よりスムーズな決定境界を促進する。
  論文  参考訳（メタデータ） (2025-10-17T19:26:58Z)
• Bayesian and Multi-Objective Decision Support for Real-Time Cyber-Physical Incident Mitigation [6.852472228194646]
  本研究では,サイバー物理システムにおけるサイバーインシデントを軽減するためのリアルタイム適応型意思決定支援フレームワークを提案する。 重要なインフラにおけるこれらのシステムへの依存の高まりと、敵の戦術の進化に対応するために開発された。
  論文  参考訳（メタデータ） (2025-08-31T09:47:38Z)
• Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
  我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。 我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。 車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
  論文  参考訳（メタデータ） (2024-07-24T12:00:30Z)
• Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
  本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。 我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
  論文  参考訳（メタデータ） (2023-12-20T05:06:01Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Model-Agnostic Meta-Attack: Towards Reliable Evaluation of Adversarial Robustness [53.094682754683255]
  モデル非依存型メタアタック(MAMA)アプローチにより,より強力な攻撃アルゴリズムを自動検出する。 本手法は、繰り返しニューラルネットワークによってパラメータ化された逆攻撃を学習する。 本研究では,未知の防御を攻撃した場合の学習能力を向上させるために,モデルに依存しない訓練アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-10-13T13:54:24Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)

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。