DDSA: Dual-Domain Strategic Attack for Spatial-Temporal Efficiency in Adversarial Robustness Testing

तकनीकी सारांश: DDSA – स्थानिक-कालिक दक्षता के लिए द्वैत-डोमेन रणनीतिक हमला (Dual-Domain Strategic Attack)

समस्या विवरण
वास्तविक समय में छवि संचरण और प्रसंस्करण (जैसे खोज और बचाव (SAR) अभियान, कृषि निगरानी और सोशल मीडिया वर्गीकरण) पर निर्भर संसाधन-महत्वपूर्ण अनुप्रयोग, प्रतिकूल विचलनों (adversarial perturbations) से उत्पन्न होने वाली महत्वपूर्ण चुनौतियों का सामना करते हैं। जबकि वर्तमान मजबूती परीक्षण विधियाँ (जैसे FGSM, PGD) प्रभावी हैं, वे थकाऊ फ्रेम-दर-फ्रेम प्रसंस्करण और पूर्ण-छवि विचलनों पर निर्भर करती हैं। यह दृष्टिकोण उन बड़े पैमाने पर तैनाती के लिए गणनात्मक रूप से निषेधात्मक है जहाँ विशाल इमेज स्ट्रीम को तत्काल प्रसंस्करण की आवश्यकता होती है। इसके अलावा, पारंपरिक विधियाँ सामग्री विषमता (content heterogeneity) को ध्यान में रखने में विफल रहती हैं; सभी छवियां या एक छवि के भीतर सभी क्षेत्र मिशन की सफलता के लिए समान महत्व नहीं रखते हैं। उदाहरण के लिए, खोज और बचाव (SAR) अभियान में एक मानव को गलत वर्गीकृत करना जीवन के लिए खतरा हो सकता है, जबकि वनस्पति को गलत वर्गीकृत करना नगण्य है। मौजूदा ढांचे में गैर-आवश्यक सामग्री पर महत्वपूर्ण तत्वों को प्राथमिकता देने वाले तंत्रों का अभाव है, जिससे पर्याप्त गणनात्मक बर्बादी होती है।

कार्यप्रणाली
यह शोध पत्र DDSA (Dual-Domain Strategic Attack) प्रस्तावित करता है, जो एक संसाधन-कुशल प्रतिकूल मजबूती परीक्षण ढांचा है जो कालिक चयनात्मकता (temporal selectivity) और स्थानिक सटीकता (spatial precision) के माध्यम से परीक्षण को अनुकूलित करता है। यह ढांचा तीन परस्पर जुड़े चरणों के माध्यम से कार्य करता है:

1. कालिक ट्रिगर फंक्शन (Temporal Trigger Function):
   यह घटक प्रत्येक इनपुट छवि के लिए प्राथमिकता और अनिश्चितता का मूल्यांकन करके यह निर्धारित करता है कि कब हमला किया जाए। एक वर्गीकरण प्राथमिकता स्कोर ($Q_i$) की गणना निम्नलिखित का उपयोग करके की जाती है:

• परिदृश्य-जागरूकता ($R^{scena}$): डोमेन विशेषज्ञता के आधार पर मिशन-महत्वपूर्ण वर्गों (जैसे मानव) को उच्च भार (weights) आवंटित करता है।
• डेटा-संचालित गुणवत्ता ($R^{data}$): सॉफ्टमैक्स संभावनाओं और एंट्रॉपी का उपयोग करके वर्गीकरण आत्मविश्वास और भविष्यवाणी की शक्ति को मापता है।
• निरंतरता ($R^{consist}$): मोंटे कार्लो ड्रॉपआउट (Monte Carlo dropout) का उपयोग करके बेयसियन अनिश्चितता अनुमान के माध्यम से मॉडल विश्वसनीयता का आकलन करता है।
  एक हमला केवल तभी शुरू किया जाता है जब प्राथमिकता स्कोर एक पूर्व-निर्धारित थ्रेशोल्ड ($\tau$) से अधिक हो जाता है, जिससे नियमित या कम जोखिम वाले फ्रेम फ़िल्टर हो जाते हैं।

2. स्थानिक विशेषता स्थान (Spatial Feature Location):
   एक बार जब परीक्षण के लिए एक फ्रेम का चयन कर लिया जाता है, तो यह घटक निर्धारित करता है कि कहाँ हमला किया जाए। यह इंटीग्रेटेड ग्रेडिएंट्स (IG) का उपयोग करता है, जो एक व्याख्यात्मक एआई (XAI) तकनीक है, ताकि एक सैलिएंसी मैप (saliency map) बनाया जा सके जो वर्गीकरण निर्णयों के लिए सबसे प्रभावशाली पिक्सेल क्षेत्रों को उजागर करता है। इन महत्व स्कोरों को थ्रेशोल्ड करने द्वारा एक बाइनरी मास्क बनाया जाता है, जो विचलनों को पूरी छवि के बजाय केवल महत्वपूर्ण क्षेत्रों तक सीमित कर देता है।

3. रणनीतिक हमला जनरेशन (Strategic Attack Generation):
   अंतिम प्रतिकूल उदाहरण केवल प्राथमिकता वाले वर्गों (कालिक दक्षता) और केवल XAI-लक्षित महत्वपूर्ण पिक्सेल (स्थानिक दक्षता) पर विचलन लागू करके उत्पन्न किए जाते हैं। विचलन की गणना इस प्रकार की जाती है:
   $\tilde{x}_i = x_i + \epsilon \cdot B_i \odot \text{sign}(\nabla_{x_i} J(x_i, y_{true}))$
   जहाँ $B_i$ सैलिएंसी मैप से प्राप्त बाइनरी मास्क है।

प्रमुख योगदान

• द्वैत-डोमेन अनुकूलन (Dual-Domain Optimization): यह शोध पत्र एक नया ढांचा पेश करता है जो स्थानिक-कालिक सामग्री विषमता (यह तय करना कि कब हमला किया जाए) और स्थानिक क्षेत्र महत्व (यह तय करना कि कहाँ हमला किया जाए) को एक साथ संबोधित करता है।
• परिदृश्य-जागरूक ट्रिगरिंग (Scenario-Aware Triggering): एक तंत्र जो गैर-महत्वपूर्ण फ्रेमों को फ़िल्टर करने के लिए डोमेन विशेषज्ञता को मॉडल अनिश्चितता के साथ एकीकृत करता है, जिससे क्रमिक प्रसंस्करण में निरर्थक ओवरहेड कम होता है।
• XAI-निर्देशित लक्ष्यीकरण (XAI-Guided Targeting): प्रभावशाली पिक्सेल क्षेत्रों को स्थानीयकृत करने के लिए इंटीग्रेटेड ग्रेडिएंट्स का अनुप्रयोग, जो संसाधन उपयोग को कम करते हुए हमले की प्रभावशीलता को बनाए रखते हुए लक्षित विचलनों को सक्षम बनाता है।
• संसाधन-कुशल मीट्रिक (Resource-Efficient Metric): एक सुरक्षा-संबंधी मूल्यांकन मीट्रिक ($P_{total}$) जो हमले की सफलता और संसाधन उपयोग के बीच संतुलन बनाता है, जो असफल हमलों और गैर-महत्वपूर्ण सामग्री पर संसाधन की बर्बादी को दंडित करता है।

प्रायोगिक परिणाम
लेखकों ने ResNet-18 क्लासिफायर के साथ CIFAR-10, Fashion-MNIST, और VOC2012 डेटासेट का उपयोग करके व्यापक सिमुलेशन आयोजित किए।

• स्थानिक दक्षता: प्रयोगों ने प्रदर्शित किया कि XAI-निर्देशित लक्ष्यीकरण महत्वपूर्ण स्थानिक कमी के बावजूद उच्च हमला सफलता दर को बनाए रखता है। उदाहरण के लिए, PGD-60 ने केवल 40% छवि पिक्सेल को विचलित करने पर भी 98% से अधिक सफलता दर बनाए रखी। रणनीतिक हमलों को 95% सफलता दर प्राप्त करने के लिए केवल 30% पिक्सेल क्षेत्र को लक्षित करने की आवश्यकता थी, जो सिमुलेशन में कुल पिक्सेल का केवल 0.0123% प्रभावित करता है।
• कालिक दक्षता: गैर-महत्वपूर्ण फ्रेमों को फ़िल्टर करके, DDSA ने पारंपरिक व्यापक परीक्षण की तुलना में 80–97% गणनात्मक समय की कमी हासिल की।
• बड़े पैमाने पर सिमुलेशन: 30,000 छवियों को संसाधित करने वाले उच्च-थ्रूपुट परिदृश्यों में, पारंपरिक विधियों ने गैर-महत्वपूर्ण सामग्री के अंधाधुंध प्रसंस्करण के कारण गंभीर नकारात्मक स्कोर दिए। इसके विपरीत, सभी DDSA वेरिएंट्स ने सकारात्मक परिचालन स्कोर प्राप्त किए, जो बड़े पैमाने की इमेज स्ट्रीम को कुशलतापूर्वक संभालने की क्षमता के साथ ढांचे की वैधता को प्रमाणित करते हैं।

महत्व और दावे
शोध पत्र का दावा है कि DDSA प्रयोगशाला-स्तर के प्रतिकूल परीक्षण और संसाधन-बाधित वातावरणों में वास्तविक दुनिया की तैनाती के बीच के अंतर को पाटता है। मिशन-महत्वपूर्ण सामग्री पर गणनात्मक संसाधनों को केंद्रित करके व्यावहारिक, व्यापक मजबूती परीक्षण को सक्षम बनाकर, यह ढांचा उन सुरक्षा-महत्वपूर्ण प्रणालियों की विश्वसनीयता का समर्थन करता है जहाँ गणनात्मक दक्षता सीधे मिशन की सफलता को प्रभावित करती है। लेखक दावा करते हैं कि उनकी द्वैत-डोमेन रणनीति प्राथमिकता वाले वर्गों पर प्रतिकूल हमलों की प्रभावशीलता से समझौता किए बिना पर्याप्त स्थानिक-कालिक संसाधन संरक्षण प्राप्त करती है।