利用输入自适应优化的 Vision Transformer 对抗性效率退化综述
A Survey of Adversarial Efficiency Degradation for Vision Transformer by Exploiting Input-adaptive Optimization
AI 导读
一项综述研究了以 Vision Transformer（ViT）token 剪枝、提前停止等输入自适应机制为目标的对抗性效率退化攻击，这类攻击可在不必然降低准确率的情况下增加模型计算量。该综述统一比较 SlowFormer（通用对抗补丁）与 DeSparsify（逐图像扰动）在 A-ViT、ATS、AdaViT 三种 token 剪枝框架上的表现，以 GFLOPs、准确率损失和 Attack Success（AS）指标标准化报告。综述还梳理现有防御能否在攻击下切实恢复效率；移动与嵌入式等低功耗部署使此类威胁尤为关键。