BruSLeAttack：一种查询高效的基于评分的黑盒稀疏对抗攻击
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文研究了深度学习模型的脆弱性及攻击方式，提出了SparseEvo算法以提升攻击效率。同时介绍了多种黑盒攻击方法，如基于随机搜索的Sparse-RS和利用参考模型梯度降低查询复杂度的方法，这些方法显著提高了攻击的成功率和效率。
❓
Q&A
SparseEvo算法的主要优势是什么？
SparseEvo算法在攻击效率上显著高于之前的算法，特别是在卷积深度神经网络和视觉Transformer模型上表现突出。
Sparse-RS框架的应用场景是什么？
Sparse-RS框架适用于黑盒设置下的稀疏目标攻击和非目标攻击，具有多用途特性。
如何提高黑盒攻击的查询效率？
通过利用预训练的替代模型指导优化过程，可以显著提高黑盒攻击的查询效率，成功率提高约5倍。
新型对抗样本攻击方法的核心思想是什么？
新型对抗样本攻击方法通过最小化l0距离，生成具有高级语义模式的对抗性扰动，显著提高查询效率。
贝叶斯优化在黑盒攻击中的作用是什么？
贝叶斯优化用于在低维子空间中搜索对抗样本，减少查询次数并提高攻击成功率，效果提升2到10倍。
如何通过参考模型的梯度降低查询复杂度？
利用参考模型的梯度可以在黑箱攻击中降低查询复杂度，从而提高攻击效率和成功率，查询数量减少2x到4x。
🏷️
