arXiv cs.AI· Melika Shirian, Kianoosh Vadaei, Arshia Hemmat·· 11 小时前AI 评分26
$\ell_1$ 攻击需要多集中的扰动？逐坐标上限约束下的攻击成功率研究
How Much Do $\ell_1$ Attacks Need Concentrated Perturbations?
AI 导读
研究给 $\ell_1$ 攻击预算加逐坐标上限并用精确的循环内投影强制执行，在 APGD-$\ell_1$、SLIDE 和 FMN-$\ell_1$ 上扫描上限且不改变原目标。
正文 · AI 翻译
摘要：全局 $\ell_1$ 预算限制的是攻击者能对图像做出多少改动，而非这些改动如何分布。我们探究：当限制大幅坐标变化时，$\ell_1$ 攻击所观察到的成功率还能保留多少。我们在预算中加入逐坐标上限，通过精确的循环内投影来强制执行联合约束，并在不改变 APGD-$\ell_1$、SLIDE 和 FMN-$\ell_1$ 目标函数的情况下扫描该上限。在 18 个标准模型设置中，相对于各方法原生无上限基线，至多 $32/255$ 的上限保留了中位数 $97\%$ 的攻击成功率，而中位数峰值幅度下降 $80\%$，中位数有效支撑集几乎增至三倍。在匹配的实际 $\ell_1$ 下，有上限的扰动在结构上仍保持差异；单独的 ImageNet 比较还显示，在选定上限下 LPIPS 和 DISTS 更低。直接的循环内约束优化比事后裁剪最多多保留 $88$ 个百分点的攻击成功率，凸显了约束执行的重要性。然而，合适的上限因攻击和模型而异，且对抗训练的分类器表现出更异质的集中敏感度。这些结果确立了扰动集中度作为 $\ell_1$ 攻击评估的一个互补的、依赖于模型和攻击的维度。
| 评论： | 23 页，10 幅图，15 张表，包括附录 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；计算机视觉与模式识别（cs.CV） |
| 引用为： | arXiv:2610.27773 [cs.LG] |
| （或 arXiv:2610.27773v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27773 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Kianoosh Vadaei [查看电子邮件]
[v1]
2026 年 10 月 20 日星期二 07:37:48 UTC（5,810 KB）
来源：arXiv cs.AI · arxiv.org