論文の概要: Black-Box Adversarial Patch Attacks on VLAs via Ancestor VLM Exploitation

• arxiv url: http://arxiv.org/abs/2610.09708v1
• Date: Wed, 07 Oct 2026 09:04:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.817458
• Title: Black-Box Adversarial Patch Attacks on VLAs via Ancestor VLM Exploitation
• Title（参考訳）: アンセスタVLM爆発によるVLAのブラックボックス対応パッチ攻撃
• Abstract要約: VLA(Vision-Language-Action Model)は、安全クリティカルな物理的環境にますます導入されている。 既存の攻撃では、ホワイトボックスへのアクセスや代理VLAに依存している。 敵の攻撃は先祖だけを使ってVLAを展開できるのか?
• 参考スコア（独自算出の注目度）: 18.216109882734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-Language-Action models (VLAs) are increasingly deployed in safety-critical physical environments, yet their adversarial robustness remains poorly understood. Existing attacks typically assume white-box access or rely on surrogate VLAs, which rarely holds in real-world deployments. Our key insight is that most VLAs are adapted from a publicly released pretrained vision-language model (VLM), inheriting two capabilities essential for action generation: visual perception and instruction-conditioned grounding. Therefore, this paper explores a previously unaddressed question: can an adversary attack deployed VLAs using only their ancestor VLMs? To this end, we propose three adversarial patch attacks that disrupt the inherited capabilities: a vision disruption attack that corrupts the projected visual tokens through relative and absolute terms, an instruction-grounded semantic evidence suppression attack that removes the visual evidence required for instruction-grounded concepts, and a joint attack that unifies both objectives under a two-phase curriculum. Experiments across different VLA families on both simulation and static real-world images show that patches optimized on the ancestor VLM cause substantial degradations in VLA task success rates, demonstrating that VLAs inherit adversarial vulnerabilities alongside their foundational capabilities. This effect is not uniform: it is strongest on tasks that require precise instruction-grounded localization, and nearly vanishes on policies whose adaptation rewrites the shared visual-semantic representation or whose action head iteratively smooths perturbations away. By characterizing the boundary conditions of vulnerability inheritance and providing analysis of why the inheritance effect holds or fails, we advance the understanding of safety for VLA-involved systems.
• Abstract（参考訳）: VLA(Vision-Language-Action Model)は、安全クリティカルな物理環境にますます展開されているが、その逆の堅牢性はよく分かっていない。 既存の攻撃は、通常、ホワイトボックスアクセスを前提とするか、代理VLAに依存している。 我々の重要な洞察は、ほとんどのVLAは、一般にリリースされた事前訓練された視覚言語モデル(VLM)から適応されており、視覚知覚と命令条件付き接地というアクション生成に不可欠な2つの機能を継承しているということである。 そこで本研究では,祖先のVLMのみを用いて,敵の攻撃でVLAを展開できるのか,という疑問を提起する。 この目的のために,提案手法は,相対的および絶対的条件で投影された視覚トークンを破壊する視覚破壊攻撃,命令基底概念に必要とされる視覚的証拠を除去する指示基底意味証拠抑制攻撃,2段階のカリキュラムの下で両方の目的を統一する共同攻撃の3つの敵パッチ攻撃を提案する。 シミュレーションと静的な実世界の画像の両方で異なるVLAファミリーを対象とした実験では、祖先のVLMに最適化されたパッチがVLAタスクの成功率を大幅に低下させ、VLAが基本能力とともに敵の脆弱性を継承することを示した。 この効果は、精密な命令接地ローカライゼーションを必要とするタスクで最強であり、適応が共有された視覚的意味表現を書き換えたり、アクションヘッドが摂動を反復的に滑らかにするポリシーでほとんど消滅する。 脆弱性継承の境界条件を特徴付けるとともに、継承効果が保持されるか失敗するかの分析を行うことで、VLA関連システムの安全性の理解を深める。

関連論文リスト

• VLA-Hijack: A Transferable Patch Attack against Vision-Language-Action Models via Visual Proprioception Hijacking [49.51251398232003]
  VLA-HijackはVision-Language-Actionモデルのための統合された対向フレームワークである。 共有された視覚的自己ローカライゼーションプロセスを活用することで、根本的な脆弱性を悪用する。 ホワイトボックス設定において優れた最適化効率を実現し、クロスアーキテクチャとクロスドメインブラックボックス転送性のための新しいSOTAを設定する。
  論文  参考訳（メタデータ） (2026-05-27T07:38:16Z)
• QuoVLA: Quotient Space for Vision-Language-Action Models [51.02329790939691]
  VLA(Vision-Language-Action)モデルは、視覚的な観察と言語指示を連続的な行動にマッピングすることで、トレーニング済みのVLM潜伏者をロボット制御に適応させることが一般的である。 VLA の textitQuotient Theory は、事前訓練された VLM 潜伏剤は、アクションに十分ではないがアクションに十分であることを示している。 提案するQuoVLAは,事前学習されたVLMラテントを動作十分表現に圧縮する,VLAの商空間フレームワークである。
  論文  参考訳（メタデータ） (2026-05-24T06:28:53Z)
• Challenging Vision-Language Models with Physically Deployable Multimodal Semantic Lighting Attacks [23.938024446316717]
  VLM(Vision-Language Models)は優れた性能を示しているが、そのセキュリティは十分に理解されていない。 既存の敵対的な研究はほとんどデジタル設定に焦点を合わせており、物理世界の脅威はほとんど解明されていない。 VLMに対する物理的に展開可能な最初の攻撃フレームワークであるMultimodal Semantic Lighting Attacks (MSLA)を提案する。
  論文  参考訳（メタデータ） (2026-04-14T14:52:15Z)
• V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs [66.81402538540458]
  本稿では,局所的セマンティックアタックの新しい手法であるV-Attackを提案する。 V-Attackは、最先端の手法よりも平均して36%の攻撃成功率を改善する。
  論文  参考訳（メタデータ） (2025-11-25T11:51:17Z)
• AttackVLA: Benchmarking Adversarial and Backdoor Attacks on Vision-Language-Action Models [60.39655329875822]
  VLA(Vision-Language-Action)モデルは、ロボットが自然言語の命令を解釈し、多様なタスクを実行することを可能にするモデルである。 このようなモデルを攻撃することへの関心は高まっているが、既存の手法の有効性は依然として不明である。 我々はVLA開発ライフサイクルに合わせて統合されたフレームワークであるAttackVLAを提案する。
  論文  参考訳（メタデータ） (2025-11-15T10:30:46Z)
• Don't Blind Your VLA: Aligning Visual Representations for OOD Generalization [42.41263928527529]
  VLA(Vision-Language-Action)モデルは、伝達可能な世界知識と視覚言語基盤を持つエージェントを支援できる。 しかし、これらのVLMがアクションモダリティに適合している場合、元の視覚的表現や知識がどの程度保存されているかははっきりしない。 本稿では,VLA微調整中の表現保持の系統的研究を行い,行動微調整が視覚的表現の劣化につながることを示す。
  論文  参考訳（メタデータ） (2025-10-29T15:20:10Z)
• TabVLA: Targeted Backdoor Attacks on Vision-Language-Action Models [63.51290426425441]
  バックドア付きVLAエージェントは、プレインジェクトされたバックドアによって隠蔽的にトリガーされ、敵のアクションを実行することができる。 我々は,VLAモデルに対するターゲットバックドア攻撃について検討し,ブラックボックスファインチューニングによる攻撃を可能にする新しいフレームワークであるTabVLAを紹介した。 我々の研究は、バックドア操作をターゲットにしたVLAモデルの脆弱性を強調し、より高度な防御の必要性を強調します。
  論文  参考訳（メタデータ） (2025-10-13T02:45:48Z)
• BadVLA: Towards Backdoor Attacks on Vision-Language-Action Models via Objective-Decoupled Optimization [45.97834622654751]
  BadVLAはObjective-Decoupled Optimizationに基づくバックドア攻撃手法である。 我々は,BadVLAがクリーンタスク精度に最小限の影響を伴って,ほぼ100%の攻撃成功率を達成することを示す。 我々の研究は、VLAモデルにおけるバックドア脆弱性に関する最初の体系的な調査を提供する。
  論文  参考訳（メタデータ） (2025-05-22T13:12:46Z)
• Transferable Adversarial Attacks on Black-Box Vision-Language Models [63.22532779621001]
  敵対的攻撃は、テキストのみのコンテキストとビジョンのみのコンテキストにおいて、オープンソースからプロプライエタリなブラックボックスモデルに移行することができる。 攻撃者は、特定の攻撃者による視覚情報の解釈を誘導するために、摂動を作れます。 普遍的な摂動 -- 広い範囲のイメージに適用可能な修正 -- は、これらの誤解釈を一貫して引き起こすことを発見した。
  論文  参考訳（メタデータ） (2025-05-02T06:51:11Z)

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。