उलटे लक्ष्य ग्रेडियन्ट प्रतिस्पर्धा और स्थानिक दूरी फैलाने के माध्यम से लक्षित प्रतिकूल उदाहरणों की स्थानांतरणीयता को बढ़ाना

AI सुरक्षा के क्षेत्र में, गहरे न्यूरल नेटवर्क की संवेदनशीलता ने व्यापक ध्यान आकर्षित किया है। विशेष रूप से, DNNs की प्रतिकूल उदाहरणों (AEs) के प्रति संवेदनशीलता गंभीर परिणामों का कारण बन सकती है, छोटी सी भी इनपुट डेटा में परिवर्तन गलत भविष्यवाणियों का परिणाम दे सकता है। AEs विभिन्न मॉडल्स के बीच स्थानांतरणीयता दिखाते हैं, हालाँकि, लक्षित हमले की सफलता दर (TASRs) फीचर आयामों और निर्णय सीमाओं में महत्वपूर्ण भिन्नताओं के कारण कम बनी रहती है। लक्षित AEs की स्थानांतरणीयता को बढ़ाने के लिए, हम अन्वेषण के प्रक्रिया में उलटे लक्ष्य ग्रेडियन्ट प्रतिस्पर्धा (ITC) और स्थानिक दूरी फैलाव (SDS) का उपयोग करके एक नई विधि का प्रस्ताव करते हैं। विशेष रूप से, हम एक जुड़वाँ-नेटवर्क जैसे ढांचे का उपयोग करते हैं ताकि गैर-लक्षित और लक्षित AEs दोनों का उत्पादन किया जा सके, जिसमें एक नई प्रतिस्पर्धा प्रणाली ITC प्रस्तुत की गई है जहाँ गैर-लक्षित प्रतिकूल ग्रेडियन्ट्स प्रत्येक युग में लागू होते हैं ताकि लक्षित प्रतिकूल विक्षोभों के अनुकूलन में बाधा डाली जा सके, इस प्रकार लक्षित हमलों में मजबूती बढ़ाई जाती है। इसके अतिरिक्त, एक शीर्ष-k SDS रणनीति का उपयोग किया जाता है, जो AEs को लक्षित वर्ग क्षेत्रों में प्रवेश करने में मार्गदर्शन करती है जबकि कई निकटतम गैर-लक्षित क्षेत्रों से वैश्विक रूप से दूरी बढ़ाती है, अंततः अनुकूल प्रतिकूल स्थानांतरणीयता प्राप्त करती है। प्रतिस्पर्धा-आधारित हमलों के साथ तुलना करते हुए, हमारी विधि महत्वपूर्ण स्थानांतरणीयता लाभ प्रदर्शित करती है, औसत स्थानांतरित TASRs में क्रमशः मुख्यधारा वाले CNNs और ViTs पर 16.1% और 21.4% की वृद्धि हुई है, जबकि एक बेमिसाल तोड़ने वाली रक्षा क्षमता भी हासिल की गई है।