Fugu-MT 論文翻訳(概要): MIG-COW: Transferable Adversarial Attacks on Deepfake Detectors via Gradient Decomposition

論文の概要: MIG-COW: Transferable Adversarial Attacks on Deepfake Detectors via Gradient Decomposition

arxiv url: http://arxiv.org/abs/2610.30914v1
Date: Thu, 22 Oct 2026 08:34:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-24 02:08:44.28504
Title: MIG-COW: Transferable Adversarial Attacks on Deepfake Detectors via Gradient Decomposition
Title（参考訳）: MIG-COW:グラディエント分解によるディープフェイク検出器の移動可能な逆攻撃
Abstract要約: 視覚的に知覚できない敵の例を生成する新しい敵攻撃フレームワークMIG-COWを提案する。 AADD-2025 Challengeベンチマークでは、MIG-COWは99.96%のホワイトボックス攻撃成功率(ASR)を達成した。我々は,低性能だが多様なモデルをアンサンブルに組み込むことで,攻撃効果を低下させることができることを示した。
参考スコア（独自算出の注目度）: 2.5257398006015586
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Despite recent advances, deepfake detectors remain vulnerable to adversarial examples, particularly in diverse, real-world settings. We propose MIG-COW, a novel adversarial attack framework that generates highly generalizable and visually imperceptible adversarial examples. By combining momentum-integrated gradients with a consensus-orthogonal decomposition, MIG-COW captures both shared and model-specific vulnerabilities across heterogeneous CNN and ViT detectors. On the AADD-2025 Challenge benchmarks, MIG-COW achieves a 99.96% white-box attack success rate (ASR) with high perceptual similarity (SSIM), significantly outperforming existing baselines. However, its limited 7.16% ASR against official black-box targets - despite achieving the best overall score - highlights the ongoing challenge of transferability. We also demonstrate that incorporating low-performing but diverse models in the ensemble can degrade attack effectiveness, underscoring the need for careful surrogate model selection in real-world adversarial settings.
Abstract（参考訳）: 近年の進歩にもかかわらず、ディープフェイク検出器は敵の例、特に多様な現実世界の設定に弱いままである。そこで我々はMIG-COWを提案する。MIG-COWは、高度に一般化可能で視覚的に受容不能な敵の例を生成する新しい敵攻撃フレームワークである。運動量積分勾配とコンセンサス直交分解を組み合わせることで、MIG-COWは異種CNNおよびViT検出器間の共有およびモデル固有の脆弱性をキャプチャする。 AADD-2025 Challengeベンチマークでは、MIG-COWは99.96%のホワイトボックス攻撃成功率(ASR)を達成した。しかし、公式のブラックボックスターゲットに対するASRは7.16%に制限されており、全体的な得点は最高だったものの、トランスファービリティーの継続的な課題が浮き彫りになっている。また,低性能だが多様なモデルをアンサンブルに組み込むことで攻撃効果を低下させることが実証され,現実の敵対的環境下での適切な代理モデル選択の必要性が示唆された。

関連論文リスト

Replicating the Signature: Unsupervised Targeted Impersonation Attack on RF Fingerprinting [3.065243326333468]
本稿では,RFフィンガープリント(RFFP)識別システムを,対象装置のハードウェア固有の障害を再現する信号を合成することによって,偽装攻撃の枠組みを提案する。我々のフレームワークは教師なし学習を活用して正確な障害推定を可能にし、信号処理に基づく生成と組み合わせて高忠実度対向信号の合成を行う。
論文参考訳（メタデータ） (2026-07-06T18:33:57Z)
Greedy Coordinate Diffusion: Effective and Semantically Coherent Adversarial Attacks via Diffusion Guidance [48.34904668359272]
大規模言語モデルに対するアドリアック攻撃は、広範な研究にもかかわらず、実用的影響が限られている。本稿では,Greedy Coordinate Diffusion(GCD)について紹介する。 GCDは、敵の本来の意図に低い難易度と高い意味的固執を維持している。
論文参考訳（メタデータ） (2026-06-14T01:18:53Z)
Towards Universal Physical Adversarial Attacks via a Joint Multi-Objective and Multi-Model Optimization Framework [9.467008278776063]
本稿では,JMOF(Joint Multi-Objective and Multi-Model Optimization Framework)を提案する。 JMOF内では、二重レベル機構が予測出力を共同で抑制し、中間特徴分布を平坦化し、攻撃効率と深い一般化のバランスをとる。実験により、JMOFは様々なブラックボックス検出器に対して最先端のベースラインを上回っていることが示された。この研究は、物理的な敵攻撃の一般化限界を推し進め、現実世界のデプロイメントにおける視覚的AI脆弱性を評価するための堅牢なフレームワークを提供する。
論文参考訳（メタデータ） (2026-05-18T02:44:54Z)
GradingAttack: Attacking Large Language Models Towards Short Answer Grading Ability [12.36073220426879]
大規模言語モデル(LLM)は、自動短解階調(ASAG)の顕著な可能性を示している。敵の操作に対する脆弱性は、自動グレーディング公正性と信頼性に対する重要な懸念を引き起こす。我々は,LSMベースのASAGモデルの脆弱性を体系的に評価する,きめ細かな敵攻撃フレームワークであるGradingAttackを紹介する。
論文参考訳（メタデータ） (2026-02-01T02:39:51Z)
Seeing Isn't Believing: Context-Aware Adversarial Patch Synthesis via Conditional GAN [2.02409171087469]
完全制御可能な敵パッチ生成のための新しいフレームワークを提案する。攻撃者は、入力画像xとターゲットクラスyターゲットの両方を自由に選択でき、したがって正確な誤分類結果を決定する。提案手法は,生成的U-Net設計とGrad-CAM誘導パッチ配置を組み合わせることで,セマンティック・アウェア・ローカライゼーションを実現する。
論文参考訳（メタデータ） (2025-09-26T18:39:21Z)
The Silent Saboteur: Imperceptible Adversarial Attacks against Black-Box Retrieval-Augmented Generation Systems [101.68501850486179]
本稿では,RAGシステムに対する敵攻撃について検討し,その脆弱性を同定する。このタスクは、ターゲット文書を検索する非知覚的な摂動を見つけることを目的としており、もともとはトップ$k$の候補セットから除外されていた。本稿では、攻撃者とターゲットRAG間の相互作用を追跡する強化学習ベースのフレームワークであるReGENTを提案する。
論文参考訳（メタデータ） (2025-05-24T08:19:25Z)
Rethinking Targeted Adversarial Attacks For Neural Machine Translation [56.10484905098989]
本報告では,NMTが標的とする敵攻撃に対して,信頼性の高い攻撃結果をもたらす可能性のある新たな設定を提案する。新しい設定では、敵の例を作成するためのTWGA(Targeted Word Gradient Adversarial Attack)手法を提案する。実験の結果,提案手法はNMTシステムに対する敵攻撃に対して忠実な攻撃効果をもたらす可能性が示唆された。
論文参考訳（メタデータ） (2024-07-07T10:16:06Z)
Meta Invariance Defense Towards Generalizable Robustness to Unknown Adversarial Attacks [62.036798488144306]
現在の防衛は主に既知の攻撃に焦点を当てているが、未知の攻撃に対する敵意の強固さは見過ごされている。メタ不変防衛(Meta Invariance Defense, MID)と呼ばれる攻撃非依存の防御手法を提案する。 MIDは高レベルの画像分類と低レベルの頑健な画像再生における攻撃抑制において,知覚不能な逆方向の摂動に対して同時に頑健性を実現する。
論文参考訳（メタデータ） (2024-04-04T10:10:38Z)
Towards Compositional Adversarial Robustness: Generalizing Adversarial Training to Composite Semantic Perturbations [70.05004034081377]
まず,合成逆数例を生成する新しい手法を提案する。本手法は, コンポーネントワイド射影勾配勾配を利用して最適攻撃組成を求める。次に,モデルロバスト性を$ell_p$-ballから複合意味摂動へ拡張するための一般化逆トレーニング(GAT)を提案する。
論文参考訳（メタデータ） (2022-02-09T02:41:56Z)
Adversarial example generation with AdaBelief Optimizer and Crop Invariance [8.404340557720436]
敵攻撃は、安全クリティカルなアプリケーションにおいて堅牢なモデルを評価し、選択するための重要な方法である。本稿では,AdaBelief Iterative Fast Gradient Method (ABI-FGM)とCrop-Invariant attack Method (CIM)を提案する。我々の手法は、最先端の勾配に基づく攻撃法よりも成功率が高い。
論文参考訳（メタデータ） (2021-02-07T06:00:36Z)

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。