RLGPA：一种用于基于决策的稀疏对抗样本的强化学习引导粒度规划攻击
RLGPA: A Reinforcement Learning-Guided Granularity Planning Attack for Decision-Based Sparse Adversarial Examples
精选理由
提出基于强化学习的稀疏对抗攻击策略调度方法，在有限查询下显著提升攻击成功率并减少扰动像素。
AI 摘要
arXiv:2611.07512v1 公告类型：新投稿 摘要：基于决策的稀疏攻击必须仅利用受害模型的预测标签来缩减扰动支撑集。随着支撑集收缩，最优恢复策略也会变化：粗粒度移除在早期有效，而尾段状态则需要更精细、能够利用历史信息的测试。我们提出 RLGPA，这是一种在线强化学习方法，可在严格的查询预算下调度支撑集缩减执行器及其粒度。带掩码的 Dueling Double DQN 从七个稳定的策略—尺度动作中进行选择；每个动作都会生成相对于当前支撑集的恢复分组，并在每次宏观决策后重建这些分组。保持可行性的执行器仅落实仍具有对抗性的恢复操作，并将支撑集缩减收益和查询成本反馈给规划器。在相同的 top-1 标签预言机条件下，RLGPA 在 CIFAR-10 上以 0.01 的稀疏度达到 61\% 的定向攻击成功率（ASR），而 SparseEvo 和 Pointwise 分别为 25\% 和 0\%；在 ResNet50/ViT 上以 0.005 的稀疏度分别达到 75.5\%/73.0\%（对比方法为 29.0\%/15.5\%）。在不进行任何更新的情况下，一项固定探针测试在处理 40 张图像后将 \(L_0\) 的中位数从 165 降至 23。状态盲和状态打乱对照实验的性能显著下降，证实了所学策略会利用攻击状态；主要增益来自以状态为条件的执行器调度和动态重新分组。源代码已公开，地址为 https://github.com/Acui001/RLGPA.git。