CGBA：曲率感知的几何黑盒攻击

ICCVAug, 2023

CGBA: Curvature-aware Geometric Black-box Attack

Md Farhamdur Reza, Ali Rahmati, Tianfu Wu, Huaiyu Dai

TL;DR提出了一种新的查询高效的曲率感知几何决策黑盒攻击方法，使用半圆路径在受限的 2D 平面上进行边界搜索，有效地利用较低曲率来构造高质量的对抗样本，相比最先进的非目标和目标攻击方法显示出更优越的性能。

Abstract

decision-based black-box attacks often necessitate a large number of queries to craft an adversarial example. Moreover, decision-based attacks based on querying boundary points in the estimated normal vector direction often suffer from inefficiency and convergence issues. In this paper

decision-based black-box attacks query-efficient curvature-aware geometric decision-based black-box attack boundary search adversarial examples targeted attacks

发现论文，激发创造

GeoDA: 一个基于几何的黑盒对抗攻击框架

本文提出一种有效的黑盒攻击算法，用于生成三维深度神经网络的对抗样例，该算法利用网络决策边界以及小曲率特性来生成具有小 l_p 范数的有效迭代算法，该算法获得了比现有算法更好的结果。

Mar, 2020

QEBA: 基于边界的黑盒攻击高效查询方案

本文介绍了一种基于模型终极预测标签的查询高效边界型黑盒攻击 (QEBA)，并在 ImageNet 和 CelebA 数据集上进行了广泛的实验。实验结果表明，与最先进的黑盒攻击相比，QEBA 能够使用更少的查询次数以更低的扰动量实现攻击，并在实际 API 上展示了攻击案例。

May, 2020

ADBA：黑盒对抗攻击的近似决策边界方法

该论文介绍了一种使用近似决策边界（ADB）的新方法，通过快速识别适当的决策边界来有效且准确地比较扰动方向，进一步发展出 ADB 算法。ADB 算法仅平均需要四个查询来区分任意一对扰动方向，具有非常高的查询效率，在六个知名图像分类器的广泛实验证明了 ADBA 和 ADBA-md 优于多个最先进的黑盒攻击方法。

Jun, 2024

利用可迁移的先验知识和查询反馈学习黑盒攻击者

提出了一种名为 “Learnable Black-Box Attack” 的新方法，将基于转移和基于查询的黑盒攻击相结合，在 Surrogate Model 下进行攻击，并通过高阶梯度逼近（HOGA）有效地利用了查询反馈。实验结果表明，“Learnable Black-Box Attack” 方法明显优于现有技术。

Oct, 2020

基于非线性投影的梯度估计方法，用于查询高效的黑盒攻击

本文探讨了如何在项目的低维空间中高效地估计梯度，并提供了一个高效的非线性梯度投影边界黑盒攻击方案和其在多个数据集上的优越性能的演示和评估。

Feb, 2021

通过投影梯度估计的渐进尺度边界黑盒攻击

本研究提出了一种理论框架，用于分析和改善边界黑盒攻击的查询效率，发现攻击的最佳尺度可以显著提高效率，并提出了基于逐步缩放技术的 Progressive-Scale enabled projective Boundary Attack (PSBA-PGAN) 来提高查询效率，实验表明，PSBA-PGAN 在多个数据集和模型上的攻击成功率和查询效率都优于现有的攻击方法。

Jun, 2021

基于梯度先验的决策类黑盒对抗攻击的增强

提出了一种新颖的基于决策的黑盒攻击框架，DBA-GP，通过集成数据相关的梯度先验和时间相关的先验到梯度估计过程中，解决了边缘梯度差异和迭代梯度方向问题，从而提高了查询效率。广泛实验表明，该方法明显优于其他强基准方法。

Oct, 2023

STBA: 针对查询受限黑盒情景评估深度神经网络的鲁棒性

提出了一种在查询有限环境下构造强大对抗性例子的新框架 STBA，通过引入流场到干净图像的高频部分来生成对抗性例子，结合有效的梯度估计方法，显著提高了对抗性例子的真实性和攻击成功率。

Mar, 2024

基于投影与概率的黑盒攻击

通过压缩感知和概率驱动策略，利用少量请求达到更好的优化效果，从而解决黑盒攻击中存在的过多请求的问题，并在与其他攻击方法比较后证明其具有更高的攻击成功率。

May, 2020

拉丁超立方采样基于查询效率的对抗攻击

本文提出了一种 Latin Hypercube Sampling based Boundary Attack (LHS-BA) 方法，其相比于现有的 SRS 方法，具有更好的均匀性和查询效率，可有效地生成边界攻击样本。在多个数据集上的实验表明，该方法的表现优于现有的边界攻击方法，并且其源代码可在链接中公开获取。

Jul, 2022