CoMGS: A Multi-Objective Coevolutionary Algorithm for Transferable Adversarial Attacks

Qianlong Dang

doi:10.1109/tevc.2026.3725853

CoMGS: A Multi-Objective Coevolutionary Algorithm for Transferable Adversarial Attacks

2026-08-21

0

PRE

AI

DOI：10.1109/tevc.2026.3725853

原文链接

原文求助

摘要

En 中文

基于迁移的对抗性攻击利用代理模型生成扰动，可在无需目标查询的情况下欺骗未见的目标模型。现有方法将此类攻击表述为约束单目标优化问题。然而，在非凸对抗损失景观中，传统单目标优化器易受局部最优和梯度掩盖影响，难以平衡视觉不可感知性与跨模型攻击可迁移性。本文提出一种多目标协同进化算法，结合多尺度梯度平滑（CoMGS）。具体而言，所提CoMGS将可迁移对抗样本生成表述为双目标优化问题，并采用攻击种群与收缩种群两个协同进化子种群。在该协同进化框架中，攻击种群整合异构多尺度梯度估计算子与变半径邻域平滑，以缓解梯度掩盖并降低收敛至欺骗性局部最优的风险。为补充此探索性搜索，收缩种群采用解析梯度下降算子确定性地收缩扰动，从而提升种群多样性。实验结果表明，CoMGS缓解了传统多目标进化算法的维度瓶颈，并在多数评估设置中取得比基线方法更高的黑盒攻击成功率（ASR）。在以ResNeXt50_32x4d为代理模型的Caltech-UCSD鸟类数据集上，CoMGS较最强单目标基线提升了9.1%的整体平均ASR。

Keyword:

Adversarial attacks

adversarial transferability

multi-objective optimization

coevolutionary algorithm

CoMGS: A Multi-Objective Coevolutionary Algorithm for Transferable Adversarial Attacks

摘要

期刊

机构

引用论文