研究者提出强化学习黑盒对抗攻击框架
热点事件持续更新
研究者提出强化学习黑盒对抗攻击框架
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Taikun Chen 等研究者提出 RL-ATTACK，一种基于强化学习的可训练黑盒对抗攻击框架，从目标模型学习生成定制化对抗变换。在自然语言推理任务上，该框架能在 20 次查询内将攻击后准确率降至 2%；针对生成式语言模型，其攻击后准确率持续低于未训练攻击者，并在 6 个设置中的 4 个优于强优化基线。该工作已被 IEEE EdgeCom 2026 接收为 regular paper，代码已开源。
AI 根据报道生成 · 1 小时前更新
最新进展11月9日 13:00
RL-ATTACK：基于强化学习的语言模型通用黑盒对抗攻击框架报道时间线
沿着报道，了解事件的不同侧面。
11月9日
- arXiv cs.CLRL-ATTACK：基于强化学习的语言模型通用黑盒对抗攻击框架
研究者提出 RL-ATTACK，一种基于强化学习的可训练黑盒对抗攻击框架，从目标模型学习生成定制化对抗变换。在自然语言推理任务上，它能在 20 次查询内将攻击后准确率降至 2%；针对生成式语言模型，其攻击后准确率持续低于未训练攻击者，并在 6 个设置中的 4 个优于强优化基线。该工作已被 IEEE EdgeCom 2026 接收为 regular paper，代码已开源。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。