Cross-Modality Attack Boosted by Gradient-Evolutionary Multiform Optimization

要約

近年、敵対的攻撃の研究は大幅に進歩しているにもかかわらず、赤外線、熱画像、RGB 画像間での敵対的攻撃の転送可能性など、クロスモーダル シナリオにおけるセキュリティ上の課題は見落とされてきました。
さまざまなハードウェア デバイスによって収集されたこれらの異種画像モダリティは、実際のアプリケーションで広く普及しており、モダリティ間の大きな違いが攻撃の転送可能性に対して重大な課題を引き起こしています。
この研究では、マルチフォーム攻撃と呼ばれる、新しいクロスモーダル敵対的攻撃戦略を検討します。
我々は、モダリティ間の効率的な摂動伝達を促進する、勾配進化に基づく二層最適化フレームワークを提案します。
最適化の最初の層では、フレームワークは画像勾配を利用して各モダリティ内の普遍的な摂動を学習し、進化的アルゴリズムを使用して、二次最適化を通じて異なるモダリティ間で伝達可能性のある共有摂動を検索します。
複数の異種データセットに対する広範なテストを通じて、既存の手法と比較したマルチフォーム攻撃の優位性と堅牢性を実証します。
この研究は、クロスモーダル敵対的攻撃の伝達可能性を強化するだけでなく、クロスモーダル システムのセキュリティ脆弱性を理解するための新しい視点も提供します。

要約(オリジナル)

In recent years, despite significant advancements in adversarial attack research, the security challenges in cross-modal scenarios, such as the transferability of adversarial attacks between infrared, thermal, and RGB images, have been overlooked. These heterogeneous image modalities collected by different hardware devices are widely prevalent in practical applications, and the substantial differences between modalities pose significant challenges to attack transferability. In this work, we explore a novel cross-modal adversarial attack strategy, termed multiform attack. We propose a dual-layer optimization framework based on gradient-evolution, facilitating efficient perturbation transfer between modalities. In the first layer of optimization, the framework utilizes image gradients to learn universal perturbations within each modality and employs evolutionary algorithms to search for shared perturbations with transferability across different modalities through secondary optimization. Through extensive testing on multiple heterogeneous datasets, we demonstrate the superiority and robustness of Multiform Attack compared to existing techniques. This work not only enhances the transferability of cross-modal adversarial attacks but also provides a new perspective for understanding security vulnerabilities in cross-modal systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google