Tag · 3 篇
黑盒对抗攻击
01 02 03
从变换到迁移：提升视觉语言预训练模型上的对抗攻击迁移性
Transform to Transfer: Boosting Adversarial Attack Transferability on Vision-Language Pre-training Models
可学习的变换组合机制（自适应选择最优变换以最大化输入多样性）可直接迁移到任何黑盒迁移攻击流程中，替代手工固定的变换堆叠；积分梯度用于缓解对源模型的过拟合，也是提升跨模型迁移性的通用手段。
SEBA：面向视觉强化学习的高样本效率黑盒攻击
SEBA: Sample-Efficient Black-Box Attacks on Visual Reinforcement Learning
对做视觉 RL 或机器人策略的研究者，这篇给出了一个只用少量环境交互就能攻击图像输入连续控制策略的黑盒框架：用世界模型替代真实环境查询、用影子 Q 模型估计对抗回报、用 GAN 生成不可感知扰动，可直接用于评估视觉策略的对抗脆弱性。
FeatureFool：基于特征图的视频模型零查询欺骗攻击
FeatureFool: Zero-Query Fooling of Video Models via Feature Map
对做视频模型安全与鲁棒性评测的人，这篇给出了一个无需查询、仅靠特征图迁移即可生成对抗视频的范式，可直接用于测试视频分类器与 Video-LLM 的对抗脆弱性，并提供了 SSIM/PSNR/时序一致性三项隐蔽性评估口径。