基于混合量子启发差分进化的单像素对抗攻击改进

《Scientific Reports》：Improving one-pixel adversarial attacks using hybrid quantum-inspired differential evolution

　　

摘要

单像素对抗攻击通过最小输入扰动诱导误分类，暴露了深度神经网络中的关键漏洞，对安全敏感应用构成严重风险。尽管其实用意义重大，但现有针对此类攻击的进化优化策略的有效性和效率仍未得到充分理解。本研究提出了对差分进化（DE）以及一种与 DE 结合的混合量子启发进化算法（QIEA + DE）的系统性对比评估，该算法利用量子启发概率搜索来增强黑盒环境下的全局探索能力。实验在 CIFAR-10 和 CIFAR-100 数据集上进行，使用了三种卷积神经网络架构：SimpleCNN、ResNet-32 和一种受 VGG 启发的模型。每个模型随机选取 500 张测试图像对这些方法进行评估，性能指标包括成功率、置信度下降、查询复杂度和计算成本。结果表明，与 DE 相比，混合 QIEA + DE 的平均置信度降低幅度高出多达 7%–13%，但计算成本增加了 1.6 至 1.9 倍，突显了攻击有效性与效率之间明确的权衡。这些发现为资源受限环境下的对抗评估和鲁棒性评估提供了实践指导。