PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2605.14868v2cs.LG

그래디언트 예측을 활용한 고속 적대적 공격

Fast Adversarial Attacks with Gradient Prediction

대규모로 적대적 예제(adversarial examples)를 생성하는 것은 강건성 평가, 적대적 학습(adversarial training), 레드팀 테스팅(red-teaming)을 위한 핵심 기본 요소이지만, FGSM과 같은 '빠른' 공격조차도 역전파(backward pass) 비용으로 인해 처리량(throughput)이 제한됩니다. 본 연구에서는 가벼운 선형 회귀(linear regression)를 통해 순전파(forward pass)의 은닉 상태(hidden state)로부터 입력 그래디언트를 예측함으로써 역전파 과정을 제거하는 일련의 공격 기법을 제안합니다. 이론적으로는 정확한 아핀 조건부 그래디언트 평균(affine conditional gradient means)을 유도하여, (이상화된) NTK 영역에서의 최적성을 보입니다. 실증적으로는 본 방법이 실제 유한 너비 모델에 적용될 때도 잘 작동함을 확인하였으며, FGSM 공격 성능의 대부분을 복원하면서도 시간의 극히 일부만을 사용하여 처리량이 $532\%$ 증가했습니다. 이러한 결과는 현실적인 실제 소요 시간(wall-clock) 제약 조건 하에서 그래디언트 예측이 적대적 예제 생성을 크게 가속화할 수 있는 단순하고 범용적인 경로임을 시사합니다.