OPS（ Operator Perturbation-based Stochastic optimization）基于算子扰动的随即优化的相关学习

本文概述：本文提出OPS（基于算子扰动的随机优化）方法，通过增强假设空间提升对抗样本的可迁移性。核心思想是在代理模型邻域内进行采样生成更具迁移性的对抗样本，并构建3DTAB基准评估框架。方法采用两种增强策略：Operator Sampling（随机选择变换算子）和Perturbation Sampling（均匀采样扰动），通过梯度多样性提高攻击效果。实验在图像和点云数据上验证了方法的有效性，其中图像采用多种变换，点云主要使用刚体变换。研究揭示了模型泛化性与可迁移性之间的镜像关系，为迁移攻击提供了新思路。

参考文献：Guo, Yu, et al. "Boosting Adversarial Transferability through Augmentation in Hypothesis Space." Proceedings of the Computer Vision and Pattern Recognition Conference. 2025.

OPS（OperatorPerturbation-based Stochastic optimization）基于算子扰动的随即优化

提出的问题：

通过输入变换算子和随机扰动来构造一个随即优化问题。

样本空间和假设空间作为数据和模型的通用集合，同时对数据和模型之间的交互细节进行梳理。

发现了模型泛化性研究和可迁移性的研究之间存在着镜像关系。考虑数据增强在增强泛化性方面的作用，猜想是否可以对代理模型进行“模型增强”以提高可迁移性。

主要贡献

1.OPS通过探测代理模型的邻居来生成具有更好迁移性的对抗样本。

2.建立了一个三维迁移攻击基准（3DTAB），给后续研究提供全面的评价框架。

3.基于迁移的图像攻击：OPS利用了输入变换，但既没有增强输入多样性，也没有为单个样本定制变换。相反，它通过在每次迭代中随机选择变换来强调梯度多样性。