Buchumschlag

Use as Many Surrogates as You Want: Selective Ensemble Attack to Unleash Transferability without Sacrificing Resource Efficiency

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yang, Bo, Zhang, Hengwei, Wang, Jindong, Ren, Yuchen, Lin, Chenhao, Shen, Chao, Zhao, Zhengyu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

Improving Adversarial Transferability on Vision Transformers via Forward Propagation Refinement
von: Ren, Yuchen, et al.
Veröffentlicht: (2025)

Improving Integrated Gradient-based Transferable Adversarial Examples by Refining the Integration Path
von: Ren, Yuchen, et al.
Veröffentlicht: (2024)

Quantization Aware Attack: Enhancing Transferable Adversarial Attacks by Model Quantization
von: Yang, Yulong, et al.
Veröffentlicht: (2023)

Revisiting Training-Inference Trigger Intensity in Backdoor Attacks
von: Lin, Chenhao, et al.
Veröffentlicht: (2025)

Physical 3D Adversarial Attacks against Monocular Depth Estimation in Autonomous Driving
von: Zheng, Junhao, et al.
Veröffentlicht: (2024)

Pay Less Attention to Function Words for Free Robustness of Vision-Language Models
von: Tian, Qiwei, et al.
Veröffentlicht: (2025)

Systematic Categorization, Construction and Evaluation of New Attacks against Multi-modal Mobile GUI Agents
von: Yang, Yulong, et al.
Veröffentlicht: (2024)

Collapse-Aware Triplet Decoupling for Adversarially Robust Image Retrieval
von: Tian, Qiwei, et al.
Veröffentlicht: (2023)

How Many Validation Labels Do You Need? Exploring the Design Space of Label-Efficient Model Ranking
von: Hu, Zhengyu, et al.
Veröffentlicht: (2023)

Spatially Selective Imaging in Color: What You See is What You Want
von: John You En Chan, et al.
Veröffentlicht: (2024)

Concept Unlearning by Modeling Key Steps of Diffusion Process
von: Zhang, Chaoshuo, et al.
Veröffentlicht: (2025)

Nullu: Mitigating Object Hallucinations in Large Vision-Language Models via HalluSpace Projection
von: Yang, Le, et al.
Veröffentlicht: (2024)

Adversarial Video Promotion Against Text-to-Video Retrieval
von: Tian, Qiwei, et al.
Veröffentlicht: (2025)

Which Do You Want To Use Today? The Browser Comparative.
von: Schrock, Kathy
Veröffentlicht: (1999)

ARL-Tangram: Unleash the Resource Efficiency in Agentic Reinforcement Learning
von: Xiao, Bangjun, et al.
Veröffentlicht: (2026)

Generalizable Targeted Data Poisoning against Varying Physical Objects
von: Chen, Zhizhen, et al.
Veröffentlicht: (2024)

Finetune Like You Pretrain: Boosting Zero-shot Adversarial Robustness in Vision-language Models
von: Xing, Songlong, et al.
Veröffentlicht: (2026)

Activation Steering for Aligned Open-ended Generation without Sacrificing Coherence
von: Herbster, Niklas, et al.
Veröffentlicht: (2026)

A Survey on Adversarial Machine Learning for Code Data: Realistic Threats, Countermeasures, and Interpretations
von: Yang, Yulong, et al.
Veröffentlicht: (2024)

A Survey of Defenses Against AI-Generated Visual Media: Detection,Disruption, and Authentication
von: Deng, Jingyi, et al.
Veröffentlicht: (2024)

Seeing It or Not? Interpretable Vision-aware Latent Steering to Mitigate Object Hallucinations
von: Chen, Boxu, et al.
Veröffentlicht: (2025)

CITI: Enhancing Tool Utilizing Ability in Large Language Models without Sacrificing General Performance
von: Hao, Yupu, et al.
Veröffentlicht: (2024)

CAMRI Loss: Improving Recall of a Specific Class without Sacrificing Accuracy
von: Nishiyama, Daiki, et al.
Veröffentlicht: (2022)

Taming Barren Plateaus in Arbitrary Parameterized Quantum Circuits without Sacrificing Expressibility
von: Chen, Zhenyu, et al.
Veröffentlicht: (2025)

Subword Embedding from Bytes Gains Privacy without Sacrificing Accuracy and Complexity
von: Zhang, Mengjiao, et al.
Veröffentlicht: (2024)

An Improved Recursive Algorithm for V-BLAST to Save Memories without Sacrificing Speed
von: Zhu, Hufei, et al.
Veröffentlicht: (2023)

The Prosocial Ranking Challenge: Reducing Polarization on Social Media without Sacrificing Engagement
von: Stray, Jonathan, et al.
Veröffentlicht: (2026)

Learn What You Want to Unlearn: Unlearning Inversion Attacks against Machine Unlearning
von: Hu, Hongsheng, et al.
Veröffentlicht: (2024)

The Hyperscale Lottery: How State-Space Models Have Sacrificed Edge Efficiency
von: Geens, Robin, et al.
Veröffentlicht: (2026)

SlowPerception: Physical-World Latency Attack against Visual Perception in Autonomous Driving
von: Ma, Chen, et al.
Veröffentlicht: (2024)

Some of Them Want to Use You: Antecedents and Consequences of Supervisors' Employee‐Directed Objectification
von: Katerina Tsantila, et al.
Veröffentlicht: (2026)

If You Want to Be Robust, Be Wary of Initialization
von: Ennadir, Sofiane, et al.
Veröffentlicht: (2025)

Do You Want to Get Engaged?
von: Cameron, Gerry
Veröffentlicht: (2004)

Unleashing Flow Policies with Distributional Critics
von: Chen, Deshu, et al.
Veröffentlicht: (2025)

Unleash the Rainbow Within You
von: Aldosari, Dalal
Veröffentlicht: (2019)

Privacy on the Fly: A Predictive Adversarial Transformation Network for Mobile Sensor Data
von: Song, Tianle, et al.
Veröffentlicht: (2025)

BigGait: Learning Gait Representation You Want by Large Vision Models
von: Ye, Dingqiang, et al.
Veröffentlicht: (2024)

ReCoVeR the Target Language: Language Steering without Sacrificing Task Performance
von: Sterz, Hannah, et al.
Veröffentlicht: (2025)

Dye‐Sensitized Photocatalysis: Hydrogen Evolution and Alcohol‐to‐Aldehyde Oxidation without Sacrifical Electron Donor
von: Deborah Romito, et al.
Veröffentlicht: (2024)