計算所程學旗團隊：隨機剪枝 AI 攻擊策略，讓對抗樣本更具「通用攻擊力」丨CVPR 2026

#adversarial-attacks#transfer-attack#computer-vision#ai-securityraparapacvpr-2026

💡RaPA 粉碎跨模型防禦 – 視覺 AI 部署安全關鍵。（28字）

⚡ 30-Second TL;DR

有什麼變化

隨機剪枝產生變體模型，提升泛化

為什麼重要

提升 AI 視覺模型安全門檻，凸顯黑盒跨架構漏洞。推動自動駕駛等系統的強健防禦需求。

下一步行動

從 arXiv 程式碼重現 RaPA，基準測試視覺模型對抗穩健性。

誰應關注：Researchers & Academics

背景與延伸：來自公開資料，非原文內容。引用 9 個來源。

•RaPA 在每個優化步驟隨機剪枝代理模型的參數子集，並使用多個遮罩變體更新對抗樣本，等效於添加重要性正則化項以均衡參數貢獻[1]。
•現有轉移攻擊的對抗樣本高度依賴代理模型中少數參數，RaPA 透過隨機剪枝緩解此過度依賴，從而提升攻擊轉移性[1]。
•使用 Inception-v3 作為代理模型時，RaPA 在 VGG16 和 MBv2 等挑戰性目標模型上 ASR 分別提升 14.6% 和 20.7%[1]。

•RaPA 在攻擊優化過程中引入參數級隨機化，每步隨機剪枝代理模型參數子集，使用多個遮罩變體更新對抗樣本，避免昂貴計算同時減少特定參數過度依賴[1]。
•隨機遮罩的期望等效於添加重要性正則化項，旨在均衡參數貢獻，從而防止攻擊過度依賴少數主導參數[1]。
•評估涵蓋多種 CNN 和 Transformer 目標模型，以及多種防禦方法，RaPA 在從 CNN 到 Transformer 的轉移場景中表現優異[1][2]。

RaPA 將提升 CVPR 2026 AdvML 工作坊中針對視覺語言代理的對抗攻擊競爭效能

CVPR 2026 AdvML 工作坊聚焦 jailbreaking 攻擊視覺語言代理，RaPA 的隨機剪枝策略可適應此類多模態安全挑戰[4]。

RaPA 可作為基準推動針對 Transformer 模型的轉移攻擊研究

RaPA 在 CNN 到 Transformer 轉移中提升 11.7-17.5% ASR，超越 SOTA，為後續防禦開發提供新基準[1]。

2025-04

RaPA 論文發布於 arXiv，提出隨機參數剪枝攻擊方法

2026-03

RaPA 論文接受 CVPR 2026，程學旗團隊成果公布

Factual claims are grounded in the sources below. Forward-looking analysis is AI-generated interpretation.

AI 週報

閱讀本週精選 AI 大事摘要 →

同主題

探索 #adversarial-attacks

同產品

更多關於 rapa

同來源

AI 策展新聞聚合。所有內容版權歸原始發布者所有。
原始來源：雷峰网 ↗

這是摘要，不是原文。去看原站，或訂閱每週簡報。

每週 AI 簡報

每週一封，可隨時退訂。