BruSLeAttack：一种查询高效的基于评分的黑盒稀疏对抗攻击

本文研究了深度学习模型的脆弱性与攻击方式，提出了SparseEvo算法以提升攻击效率。

SparseEvo算法在卷积深度神经网络和视觉Transformer模型上进行评估，显示出更高的攻击效率。

Sparse-RS是一种基于随机搜索的多用途框架，适用于黑盒设置下的稀疏目标攻击和非目标攻击，成功率和查询效率达到最先进水平。

利用预训练的替代模型指导优化过程的新方法显著提高了黑盒攻击的查询效率，攻击成功率提高约5倍。

通过参考模型的梯度降低查询复杂度的方法在黑箱攻击中提高了效率和成功率，查询数量减少2x到4x。

提出的简单迭代算法适用于有目标和无目标攻击，展示了高效性和有效性。

使用贝叶斯优化进行黑盒攻击的方法在低维子空间中搜索对抗样本，攻击成功率提高2到10倍。

新型对抗样本攻击方法通过最小化l0距离，优于或与现有技术相当，且可提高分类器的鲁棒性。

通过压缩感知和概率驱动策略，黑盒攻击中请求数量减少，攻击成功率提高。

新的黑盒对抗攻击方法通过低维嵌入进行高效搜索，生成具有高级语义模式的对抗性扰动，查询效率显著提高。