Buchumschlag

The Ultimate Combo: Boosting Adversarial Example Transferability by Composing Data Augmentations

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yun, Zebin, Weingarten, Achi-Or, Ronen, Eyal, Sharif, Mahmood
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Sy-FAR: Symmetry-based Fair Adversarial Robustness
von: Najjar, Haneen, et al.
Veröffentlicht: (2025)

Improving the Transferability of Adversarial Examples by Feature Augmentation
von: Wang, Donghua, et al.
Veröffentlicht: (2024)

Attention-aggregated Attack for Boosting the Transferability of Facial Adversarial Examples
von: Li, Jian-Wei, et al.
Veröffentlicht: (2025)

NoisePrints: Distortion-Free Watermarks for Authorship in Private Diffusion Models
von: Goren, Nir, et al.
Veröffentlicht: (2025)

Boosting the Transferability of Adversarial Examples via Local Mixup and Adaptive Step Size
von: Liu, Junlin, et al.
Veröffentlicht: (2024)

SegTrans: Transferable Adversarial Examples for Segmentation Models
von: Song, Yufei, et al.
Veröffentlicht: (2025)

Adversarial Example Soups: Improving Transferability and Stealthiness for Free
von: Yang, Bo, et al.
Veröffentlicht: (2024)

Boosting the Local Invariance for Better Adversarial Transferability
von: Liu, Bohan, et al.
Veröffentlicht: (2025)

A Survey on Transferability of Adversarial Examples across Deep Neural Networks
von: Gu, Jindong, et al.
Veröffentlicht: (2023)

Enhancing Transferability of Targeted Adversarial Examples: A Self-Universal Perspective
von: Peng, Bowen, et al.
Veröffentlicht: (2024)

Latent Transfer Attack: Adversarial Examples via Generative Latent Spaces
von: Shaar, Eitan, et al.
Veröffentlicht: (2026)

Boosting Adversarial Transferability with Spatial Adversarial Alignment
von: Chen, Zhaoyu, et al.
Veröffentlicht: (2025)

PartComposer: Learning and Composing Part-Level Concepts from Single-Image Examples
von: Liu, Junyu, et al.
Veröffentlicht: (2025)

Transferable Adversarial Examples with Bayes Approach
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Harnessing the Computation Redundancy in ViTs to Boost Adversarial Transferability
von: Liu, Jiani, et al.
Veröffentlicht: (2025)

Boosting Adversarial Transferability via Commonality-Oriented Gradient Optimization
von: Gao, Yanting, et al.
Veröffentlicht: (2025)

Bag of Tricks to Boost Adversarial Transferability
von: Zhang, Zeliang, et al.
Veröffentlicht: (2024)

Boosting Adversarial Transferability via High-Frequency Augmentation and Hierarchical-Gradient Fusion
von: Zheng, Yayin, et al.
Veröffentlicht: (2025)

Boosting Imperceptibility of Stable Diffusion-based Adversarial Examples Generation with Momentum
von: Haque, Nashrah, et al.
Veröffentlicht: (2024)

Attacking the Spike: On the Transferability and Security of Spiking Neural Networks to Adversarial Examples
von: Xu, Nuo, et al.
Veröffentlicht: (2022)

On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning
von: Satou, Hana, et al.
Veröffentlicht: (2025)

Boosting Adversarial Transferability Against Defenses via Multi-Scale Transformation
von: Guo, Zihong, et al.
Veröffentlicht: (2025)

Efficient Generation of Targeted and Transferable Adversarial Examples for Vision-Language Models Via Diffusion Models
von: Guo, Qi, et al.
Veröffentlicht: (2024)

Breaking Barriers in Physical-World Adversarial Examples: Improving Robustness and Transferability via Robust Feature
von: Wang, Yichen, et al.
Veröffentlicht: (2024)

Advancing Fine-Grained Classification by Structure and Subject Preserving Augmentation
von: Michaeli, Eyal, et al.
Veröffentlicht: (2024)

DriveCombo: Benchmarking Compositional Traffic Rule Reasoning in Autonomous Driving
von: Ma, Enhui, et al.
Veröffentlicht: (2026)

Analyzing Physical Adversarial Example Threats to Machine Learning in Election Systems
von: Kamal, Khaleque Md Aashiq, et al.
Veröffentlicht: (2026)

Going Further: Flatness at the Rescue of Early Stopping for Adversarial Example Transferability
von: Gubri, Martin, et al.
Veröffentlicht: (2023)

Transfer Attack for Bad and Good: Explain and Boost Adversarial Transferability across Multimodal Large Language Models
von: Cheng, Hao, et al.
Veröffentlicht: (2024)

Boosting Adversarial Transferability with Low-Cost Optimization via Maximin Expected Flatness
von: Qiu, Chunlin, et al.
Veröffentlicht: (2024)

Boosting Adversarial Transferability via Ensemble Non-Attention
von: Zou, Yipeng, et al.
Veröffentlicht: (2025)

Boosting the Transferability of Adversarial Attacks with Global Momentum Initialization
von: Wang, Jiafeng, et al.
Veröffentlicht: (2022)

Improving the Transferability of Adversarial Attacks on Face Recognition with Diverse Parameters Augmentation
von: Zhou, Fengfan, et al.
Veröffentlicht: (2024)

Improving Transferability of Adversarial Examples via Bayesian Attacks
von: Li, Qizhang, et al.
Veröffentlicht: (2023)

Improving the Transferability of Adversarial Examples by Inverse Knowledge Distillation
von: Wu, Wenyuan, et al.
Veröffentlicht: (2025)

Boosting Adversarial Transferability by Block Shuffle and Rotation
von: Wang, Kunyu, et al.
Veröffentlicht: (2023)

Composing Driving Worlds through Disentangled Control for Adversarial Scenario Generation
von: Zhan, Yifan, et al.
Veröffentlicht: (2026)

DiffuseMix: Label-Preserving Data Augmentation with Diffusion Models
von: Islam, Khawar, et al.
Veröffentlicht: (2024)

Boosting Adversarial Transferability for Skeleton-based Action Recognition via Exploring the Model Posterior Space
von: Diao, Yunfeng, et al.
Veröffentlicht: (2024)

Boosting Transferability in Vision-Language Attacks via Diversification along the Intersection Region of Adversarial Trajectory
von: Gao, Sensen, et al.
Veröffentlicht: (2024)