💻 computer science

Latent Transfer Attack: Adversarial Examples via Generative Latent Spaces

यह शोध पत्र LTA का प्रस्ताव करता है, जो एक ट्रांसफर-आधारित प्रतिकूल हमला (adversarial attack) है जो स्थानिक रूप से सुसंगत, लो-फ्रीक्वेंसी उदाहरण उत्पन्न करने के लिए एक प्री-ट्रेन्ड स्टेबल डिफ्यूजन VAE के लेटेंट स्पेस के भीतर गड़बड़ी (perturbations) को अनुकूलित करता है, जिससे पारंपरिक पिक्सेल-स्पेस विधियों की तुलना में बेहतर ट्रांसफ़र क्षमता और सामान्य प्रीप्रोसेसिंग के विरुद्ध मजबूती प्राप्त होती है।

मूल लेखक: Eitan Shaar, Ariel Shaulov, Yalcin Tur, Gal Chechik, Ravid Shwartz-Ziv

प्रकाशित 2026-03-09

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Eitan Shaar, Ariel Shaulov, Yalcin Tur, Gal Chechik, Ravid Shwartz-Ziv

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक सुरक्षा गार्ड (एक AI कैमरा) को धोखा देकर किसी अजनबी को इमारत में घुसने देने की कोशिश कर रहे हैं।

पुराना तरीका (पिक्सेल-स्पेस अटैक):
ज्यादातर हैकर्स अजनबी की शर्ट पर छोटे, अदृश्य बिंदु या निशान बनाने की कोशिश करते हैं। इंसान के लिए, यह एक थोड़ी शोर भरी (noisy) शर्ट जैसा दिखता है। लेकिन AI के लिए, ये बिंदु एक गुप्त कोड हैं जो चिल्लाकर कहते हैं "दरवाजा खोलो!"

समस्या: ये निशान बहुत नाजुक होते हैं। यदि आप शर्ट की फोटो लेते हैं और ज़ूम इन करते हैं, क्रॉप करते हैं, या आकार बदलते हैं (जैसे कि सोशल मीडिया पर फोटो अपलोड करते समय), तो ये निशान बिखर जाते हैं और चाल काम करना बंद कर देती है। साथ ही, यदि आप सुरक्षा गार्ड का प्रकार बदलते हैं (एक अलग AI मॉडल), तो पुराने निशान उनके लिए समझ में भी नहीं आएंगे। यह एक ऐसा गुप्त कोड लिखने जैसा है जिसे केवल एक विशिष्ट गार्ड ही समझ सकता है।

नया तरीका (LTA - लेटेंट ट्रांसफर अटैक):
इस पेपर के पीछे के शोधकर्ताओं, एइटन शार और उनकी टीम ने एक स्मार्ट रणनीति निकाली है। शर्ट पर निशान बनाने के बजाय, वे शर्ट के सार (essence) को बदल देते हैं।

यहाँ बताया गया है कि वे इसे कैसे करते हैं, एक सरल उपमा (analogy) का उपयोग करके:

1. "जादुई मिट्टी" (द लेटेंट स्पेस)

कल्पना कीजिए कि AI केवल एक शर्ट नहीं देखता; वह शर्ट का प्रतिनिधित्व करने वाली जादुई मिट्टी का एक ढेला देखता है।

पुराने तरीके में, हैकर्स शर्ट को सुई से चुभाने की कोशिश करते थे (शोर जोड़ना)।
इस नए तरीके में, हैकर्स एक पूर्व-प्रशिक्षित मूर्तिकार (Stable Diffusion VAE) का उपयोग करते हैं। यह मूर्तिकार जानता है कि मिट्टी को वास्तविक दिखने वाली शर्ट में कैसे आकार देना है।
शर्ट को चुभाने के बजाय, हैकर्स मूर्तिकार के हाथों में मौजूद मिट्टी को धीरे से नया आकार देते हैं। क्योंकि मूर्तिकार केवल चिकनी और वास्तविक आकृतियाँ बनाना जानता है, इसलिए परिणामी शर्ट अभी भी एक बेहतरीन शर्ट होती है, लेकिन इसमें एक सूक्ष्म, संरचनात्मक बदलाव होता है जिसे AI गार्ड अनदेखा नहीं कर पाता।

2. यह बेहतर क्यों काम करता है (द "लो-फ्रीक्वेंसी" सीक्रेट)

जब आप सुई से शर्ट को चुभाते हैं (पुराना तरीका), तो आप उच्च-आवृत्ति (high-frequency) वाला "स्टैटिक" या शोर पैदा करते हैं। यह शोर गायब हो जाता है यदि आप फोटो को ज़ूम करते हैं या उसका आकार बदलते हैं।
जब आप मिट्टी को नया आकार देते हैं (नया तरीका), तो आप चिकनी, कम-आवृत्ति (low-frequency) वाली लहरें बनाते हैं।

उपमा: पुराने तरीके को रेडियो स्टेशन में स्टेटिक शोर जोड़ने जैसा समझें। यदि आप रेडियो को थोड़ा घुमाते हैं, तो शोर गायब हो जाता है। नया तरीका गाने की धुन (melody) को बदलने जैसा है। भले ही आप रेडियो घुमाएं, वॉल्यूम बदलें, या स्पीकर बदल दें, धुन वहीं रहती है।
क्योंकि बदलाव संरचनात्मक और चिकना है, यह फोटो के आकार बदलने, क्रॉप करने और यहाँ तक कि यदि सुरक्षा गार्ड पूरी तरह से अलग प्रकार का AI (जैसे CNN से विजन ट्रांसफॉर्मर में स्विच करना) हो, तब भी बना रहता है।

3. "अभ्यास" (एक्सपेक्टेशन ओवर ट्रांसफॉर्मेशन)

शोधकर्ताओं को पता था कि सुरक्षा गार्ड शर्ट को अलग-अलग कोणों से देख सकता है, ज़ूम इन कर सकता है, या फोटो को क्रॉप कर सकता है।

चाल: जब वे मिट्टी को आकार दे रहे होते हैं, तो वे लगातार खुद से पूछते हैं: "क्या होगा अगर गार्ड ज़ूम इन करे? क्या होगा अगर वे बाईं ओर का हिस्सा क्रॉप कर दें?"
वे काम करते समय इन बदलावों का बार-बार अनुकरण (simulate) करते हैं। यह सुनिश्चित करता है कि अंतिम मूर्ति इतनी मजबूत हो कि गार्ड चाहे जिस तरह से देखे, वह काम करे।

4. "पॉलिशिंग" (लेटेंट स्मूथिंग)

कभी-कभी, जब आप जल्दी में मिट्टी को आकार देते हैं, तो आप छोटे, ऊबड़-खाबड़ उभार छोड़ सकते हैं।

शोधकर्ता एक चरण जोड़ते हैं जहाँ वे हर कुछ मिनटों में मिट्टी को धीरे से चिकना करते हैं। यह मुख्य आकार को खराब किए बिना ऊबड़-खाबड़ हिस्सों (artifacts) को हटा देता है। यह इमेज को इंसानों के लिए प्राकृतिक बनाए रखता है जबकि AI के लिए यह एक शक्तिशाली चाल बनी रहती है।

परिणाम

जब उन्होंने इस नए तरीके का परीक्षण किया:

यह एक मास्टर की (Master Key) है: यह कई अलग-अलग प्रकार के AI गार्डों के खिलाफ अविश्वसनीय रूप से प्रभावी रहा, विशेष रूप से नए, अधिक जटिल मॉडलों (विजन ट्रांसफॉर्मर) के खिलाफ जिन्हें पुराने तरीके बेवकूफ नहीं बना पाते थे।
इसे पकड़ना कठिन है: क्योंकि बदलाव शोर वाले नहीं बल्कि चिकने और संरचनात्मक हैं, इसलिए इंसानों के लिए यह नोटिस करना मुश्किल है कि शर्ट अजीब दिख रही है।
यह सुरक्षा प्रणालियों को मात देता है: भले ही सुरक्षा गार्ड इमेज को "साफ" करने (शोर हटाने) की कोशिश करे, यह हमला जीवित रहता है क्योंकि "शोर" वास्तव में शर्ट की संरचना का हिस्सा है।

संक्षेप में

AI को हैक करने का पुराना तरीका अदृश्य स्याही छिड़कने जैसा था जो आसानी से धुल जाती है।
नया तरीका (LTA) एक मास्टर मूर्तिकार का उपयोग करके इमेज के DNA को फिर से लिखने जैसा है। यह एक ऐसा बदलाव बनाता है जो इतना मौलिक और चिकना है कि यह लगभग हर चीज़ के बावजूद बना रहता है, जिससे यह हमारे AI सिस्टम की सुरक्षा का परीक्षण करने के लिए एक बहुत अधिक शक्तिशाली उपकरण बन जाता है।

यहाँ शोध पत्र "Latent Transfer Attack: Adversarial Examples via Generative Latent Spaces" (LTA) का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

एडवर्सरियल अटैक्स (Adversarial attacks) आधुनिक विजन मॉडल्स की मजबूती (robustness) का मूल्यांकन करने के लिए महत्वपूर्ण हैं। हालाँकि, वर्तमान अत्याधुनिक विधियाँ आमतौर पर $\ell_\infty$ या $\ell_2$ बाधाओं के तहत पिक्सेल स्पेस (pixel space) में सीधे गड़बड़ी (perturbations) को अनुकूलित करती हैं। इस दृष्टिकोण की तीन महत्वपूर्ण सीमाएँ हैं:

उच्च-आवृत्ति शोर (High-Frequency Noise): पिक्सेल-स्पेस ग्रेडिएंट्स गैर-मजबूत, उच्च-आवृत्ति वाले फीचर्स का लाभ उठाते हैं, जिसके परिणामस्वरूप ऐसी गड़बड़ी उत्पन्न होती है जो अर्थपूर्ण परिवर्तनों के बजाय बनावट (texture) जैसे शोर के रूप में दिखाई देती है।
भंगुरता (Brittleness): ये गड़बड़ियाँ सामान्य प्रीप्रोसेसिंग ऑपरेशन्स (जैसे, रिसाइजिंग, क्रॉपिंग, इंटरपोलेशन) के प्रति अत्यधिक संवेदनशील होती हैं, जिससे इनपुट पाइपलाइन बदलने पर वे विफल हो जाती हैं।
खराब स्थानांतरण क्षमता (Poor Transferability): एक आर्किटेक्चर (जैसे, CNNs) पर अनुकूलित गड़बड़ियाँ अक्सर अन्य आर्किटेक्चर (जैसे, Vision Transformers) में स्थानांतरित होने में विफल रहती हैं, जो ब्लैक-बॉक्स हमलों के लिए एक बाधा उत्पन्न करती हैं।

लेखकों का तर्क है कि पिक्सेल स्पेस, उन गड़बड़ियों के निर्माण के लिए एक उप-इष्टतम (suboptimal) डोमेन है जो एक साथ प्रभावी, हस्तांतरणीय और दृश्य रूप से सुसंगत (visually coherent) हों। वे प्रस्ताव करते हैं कि गड़बड़ियों को प्राकृतिक इमेज मैनिफोल्ड के अनुरूप निम्न-आवृत्ति (lower-frequency), संरचित परिवर्तनों तक सीमित करने से क्रॉस-मॉडल ट्रांसफर में काफी सुधार हो सकता है।

2. कार्यप्रणाली: लेटेंट ट्रांसफर अटैक (LTA)

LTA एक ट्रांसफर-आधारित हमला है जो अनुकूलन डोमेन को पिक्सेल स्पेस से एक प्रीट्रेंड वेरिएशनल ऑटोएन्कोडर (VAE) के लेटेंट स्पेस (latent space) में स्थानांतरित करता है, विशेष रूप से Stable Diffusion के VAE घटक में।

मुख्य तंत्र (Core Mechanism)

पिक्सेल मानों $x$ को अनुकूलित करने के बजाय, LTA एक लेटेंट कोड $z$ को अनुकूलित करता है।

एनकोडिंग (Encoding): एक स्वच्छ छवि $x$ को लेटेंट कोड $z_0 = \text{Enc}(x)$ में एनकोड किया जाता है।
अनुकूलन (Optimization): एक सरोगेट मॉडल $f$ के क्लासिफिकेशन लॉस को अधिकतम करने के लिए लेटेंट वेरिएबल $z$ को अनुकूलित किया जाता है।
डिकोडिंग (Decoding): अनुकूलित लेटेंट कोड को डिकोड करके एडवर्सरियल उदाहरण तैयार किया जाता है: $x_{adv} = \text{Dec}(z)$ ।

VAE डिकोडर एक अंतर्निहित इमेज प्रायर (implicit image prior) के रूप में कार्य करता है। क्योंकि VAE को प्राकृतिक छवियों पर प्रशिक्षित किया गया है, इसलिए लेटेंट स्पेस में छोटे परिवर्तन पिक्सेल स्पेस में स्थानिक रूप से सुचारू (spatially smooth), मुख्य रूप से निम्न-आवृत्ति (low-frequency) वाले परिवर्तनों में डिकोड होते हैं। यह स्वाभाविक रूप से हमले को उन फीचर्स की ओर झुकाता है जो विभिन्न आर्किटेक्चरों के बीच साझा किए जाते हैं।

प्रमुख घटक (Key Components)

लेटेंट-स्पेस अनुकूलन की विशिष्ट चुनौतियों को संबोधित करने के लिए, LTA तीन सहायक तंत्रों को शामिल करता है:

एक्सपेक्टेशन ओवर ट्रांसफॉर्मेशन (EOT):
- चुनौती: VAE डिकोडर एक निश्चित रिज़ॉल्यूशन (जैसे, 256×256) पर आउटपुट देता है, जबकि लक्षित क्लासिफायर अक्सर अलग रिज़ॉल्यूशन (जैसे, 224×224) की अपेक्षा करते हैं और रैंडम क्रॉप/इंटरपोलेशन लागू करते हैं।
- समाधान: अनुकूलन के दौरान, यह विधि रैंडम ट्रांसफॉर्मेशन (रिसाइजिंग, इंटरपोलेशन कर्नेल, जिटर के साथ सेंटर क्रॉप्स) को सैंपल करती है और इन ट्रांसफॉर्मेशन के ऊपर लॉस का औसत निकालती है। यह सुनिश्चित करता है कि गड़बड़ी डाउनस्ट्रीम क्लासिफायर के प्रीप्रोसेसिंग पाइपलाइनों के प्रति मजबूत हो।
सॉफ्ट पिक्सेल-स्पेस कंस्ट्रेंट (Soft Pixel-Space Constraint):
- चुनौती: सीधा लेटेंट अनुकूलन यह गारंटी नहीं देता है कि पिक्सेल-स्पेस $\ell_\infty$ बजट ( $\epsilon$ ) का पालन किया जाएगा।
- समाधान: लॉस फंक्शन में एक सॉफ्ट पेनल्टी टर्म जोड़ा जाता है। यह डिकोडिंग के बाद $\ell_\infty$ बजट के उल्लंघन को दंडित करता है लेकिन हार्ड क्लिपिंग का उपयोग नहीं करता है (जो लेटेंट संरचना को तोड़ सकता है)।
- लॉस फंक्शन:
  $\mathcal{L}(z) = -\mathbb{E}_{t \sim \mathcal{T}}[\ell_{CE}(f(t(\text{Dec}(z))), y)] + \lambda_\epsilon \sum_i \text{ReLU}(|x_{adv,i} - x_i| - \epsilon)$
पीरियोडिक लेटेंट स्मूथिंग (Periodic Latent Smoothing):
- चुनौती: लेटेंट स्पेस में इटरेटिव अनुकूलन स्थानीयकृत, उच्च-आवृत्ति आर्टिफैक्ट्स को संचित कर सकता है जो प्रक्षेपवक्र (trajectory) को अस्थिर कर देते हैं।
- समाधान: प्रत्येक $N$ स्टेप के बाद, लेटेंट गड़बड़ी $\Delta z = z - z_0$ को डेप्थवाइज कनवल्शन के माध्यम से गाऊसीان (Gaussian) कर्नेल का उपयोग करके स्मूथ किया जाता है। यह उभरते हुए उच्च-आवृत्ति शोर को दबाते हुए गड़बड़ी की वैश्विक संरचना को सुरक्षित रखता है।

3. मुख्य योगदान (Key Contributions)

LTA फ्रेमवर्क: एक नया हमला फ्रेमवर्क जो एक प्रीट्रेंड जेनेरेटिव VAE के लेटेंट स्पेस में एडवर्सरियल ऑप्टिमाइज़ेशन करता है, जो क्रॉस-आर्किटेक्चर ट्रांसफर में सुधार के लिए एक स्ट्रक्चर्ड, लो-फ्रीक्वेंसी प्रायर के रूप में डिकोडर का लाभ उठाता है।
फ्रीक्वेंसी-डोमेन विश्लेषण: लेखक एक स्पेक्ट्रल विश्लेषण प्रदान करते हैं जो प्रदर्शित करता है कि लेटेंट-स्पेस ऑप्टिमाइज़ेशन स्वाभाविक रूप से गड़बड़ी की ऊर्जा को निम्न-आवृत्ति बैंड्स में केंद्रित करता है। यह स्पेक्ट्रल गुण CNNs और Vision Transformers (ViTs) के बीच देखे गए ट्रांसफर गेन्स से सीधे जुड़ा हुआ है।
स्टेट-ऑफ-द-आर्ट प्रदर्शन: LTA मौजूदा बेसलाइन्स की तुलना में बेहतर ट्रांसफर क्षमता प्राप्त करता है, विशेष रूप से CNN-से-ViT ट्रांसफर और शुद्धिकरण-आधारित (purification-based) डिफेंस के विरुद्ध हमलों वाले चुनौतीपूर्ण परिदृश्यों में।

4. प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने कई सरोगेट मॉडल्स (ResNet-50, ResNet-152, VGG-16) और लक्षित आर्किटेक्चर (CNNs और ViTs) के विरुद्ध 1,000 ImageNet छवियों के विविध सूट पर LTA का मूल्यांकन किया।

स्थानांतरण क्षमता (Transferability):
- LTA ने सभी सरोगेट्स में उच्चतम औसत अटैक सक्सेस रेट (ASR) प्राप्त किया।
- CNN $\to$ ViT ट्रांसफर: LTA ने CNN सरोगेट्स से ViT लक्ष्यों तक हमले को स्थानांतरित करने में भारी लाभ दिखाया। उदाहरण के लिए, ResNet-50 को सरोगेट के रूप में उपयोग करते हुए, LTA ने सर्वश्रेष्ठ बेसलाइन की तुलना में ViT लक्ष्यों पर ASR में +13.7% का सुधार किया।
- VGG-16 सरोगेट: LTA ने 98.4% का औसत ASR प्राप्त किया, जो बेसलाइन्स से काफी बेहतर है।
डिफेंस के प्रति मजबूती (Robustness to Defenses):
- LTA का परीक्षण पांच डिफेंस पाइपलाइनों के विरुद्ध किया गया: एडवर्सरियल ट्रेनिंग (AT), हाई-लेवल रिप्रेजेंटेशन गाइडेड डिनोइज़र (HGD), रैंडमाइज्ड स्मूथिंग (RS), न्यूरल रिप्रेजेंटेशन प्यूरीफायर (NRP), और DiffPure।
- LTA लगातार सभी बेसलाइन्स से बेहतर रहा, जिसमें ASR में औसतन +20% से +34% का सुधार हुआ।
- यह प्यूरीफिकेशन-आधारित डिफेंस (HGD, NRP, DiffPure) के विरुद्ध विशेष रूप से प्रभावी था। क्योंकि LTA गड़बड़ियाँ लो-फ्रीक्वेंसी और स्ट्रक्चरली इमेज के साथ संरेखित हैं, उन्हें डिनोइज़र के लिए क्लीन सिग्नल से अलग करना कठिन होता है।
परसेप्चुअल क्वालिटी और यूजर स्टडी (Perceptual Quality & User Study):
- विजुअल कोहेरेंस: पिक्सेल-स्पेस हमलों के विपरीत जो टेक्सचर-जैसे शोर पैदा करते हैं, LTA स्थानिक रूप से सुसंगत गड़बड़ियाँ उत्पन्न करता है जो सिमेंटिक ऑब्जेक्ट रीजन के साथ संरेखित होती हैं।
- यूजर स्टडी: 8 प्रतिभागियों के एक अध्ययन में, LTA की "फूलिंग रेट" (मूल जैसा प्रतीत होना) 19.0% थी, जो मजबूत पिक्सेल-स्पेस बेसलाइन्स (P2FA: 11.5%, GI-FGSM: 19.2%) के तुलनीय है और DiffAttack (57.0% डिटेक्टेबल) से काफी बेहतर है (हालांकि DiffAttack का ASR कम था)।
- ट्रेड-ऑफ: LTA एक विशिष्ट 'ट्रांसफर-क्वालिटी ट्रेड-ऑफ' बिंदु रखता है, जो अन्य हाई-ट्रांसफर मेथड्स की तरह विजुअल क्वालिटी से समझौता किए बिना उच्च स्थानांतरण क्षमता प्रदान करता है।
एब्लेशन स्टडी (Ablation Study):
- EOT को प्राथमिक ड्राइवर के रूप में पहचाना गया जिसने ट्रांसफर क्षमता को बढ़ाया।
- लेटेंट स्मूथिंग ने विजुअल फिडेलिटी (PSNR/SSK) में सुधार किया लेकिन ASR को कम कर दिया, जो विजुअल फिडेलिटी और अटैक स्ट्रेंथ के बीच एक ट्रेड-ऑफ को उजागर करता है।
- सॉफ्ट $\ell_\infty$ पेनल्टी ने मुख्य रूप से एक क्वालिटी रेगुलराइज़र के रूप में कार्य किया जिसका ASR पर न्यूनतम प्रभाव पड़ा।

5. महत्व और सीमाएँ (Significance and Limitations)

महत्व:

नया प्रतिमान (New Paradigm): LTA यह प्रदर्शित करता है कि जेनेरेटिव लेटेंट स्पेस, एडवर्सरियल ऑप्टिमाइज़ेशन के लिए एक प्रभावी, स्ट्रक्चर्ड डोमेन हैं, जो आधुनिक जेनेरेटिव प्रायर के साथ रोबस्टनेस इवैल्यूएशन को जोड़ते हैं।
स्पेक्ट्रल अंतर्दृष्टि: यह कार्य इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि निम्न-आवृत्ति वाली गड़बड़ियाँ विभिन्न आर्किटेक्चरों में अधिक हस्तांतरणीय होती हैं, जो उच्च-आवृत्ति पिक्सेल-स्पेस हमलों के प्रभुत्व को चुनौती देती हैं।
डिफेंस इवेजन: यह पद्धति दिखाती है कि प्यूरीफिकेशन डिफेंस, स्ट्रक्चर्ड, लो-फ्रीक्वेंसी गड़बड़ियों के खिलाफ कम प्रभावी हैं, जो नई डिफेंस रणनीतियों की आवश्यकता का सुझाव देती है।

सीमाएँ:

VAE निर्भरता: हमला प्रीट्रेंड VAE के मैनिफोल्ड तक ही सीमित है। सूक्ष्म, उच्च-आवृत्ति पिक्सेल संशोधनों की आवश्यकता वाली गड़बड़ियाँ (जो विशिष्ट लक्ष्यों के लिए इष्टतम हो सकती हैं) अप्राप्य हो सकती हैं।
कंप्यूटेशनल ओवरहेड: बार-बार VAE डिकोडिंग, EOT सैंपलिंग और स्मूथिंग स्टेप्स के कारण LTA, पिक्सेल-स्पेस हमलों की तुलना में अधिक कंप्यूटेशनल रूप से महंगा है, जो हाई-रिज़ॉल्यूशन बैचों के लिए स्केलेबिलिटी को सीमित करता है।

निष्कर्ष

LTA एडवर्सरियल मशीन लर्निंग में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है, जो ऑप्टिमाइज़ेशन को अनस्ट्रक्चर्ड पिक्सेल स्पेस से जेनेरेटिव मॉडल्स के स्ट्रक्चर्ड लेटेंट स्पेस में ले जाता है। लो-फ्रीक्वेंसी, स्पैटियली कोहेरेंट गड़बड़ियाँ उत्पन्न करने के लिए VAEs के इंडक्टिव बायस का लाभ उठाकर, LTA स्टेट-ऑफ-द-आर्ट ट्रांसफर क्षमता और डिफेंस के विरुद्ध मजबूती प्राप्त करता है, जो गड़बड़ी की फ्रीक्वेंसी, मॉडल आर्किटेक्चर और एडवर्सरियल रोबस्टनेस के बीच संबंध पर एक नया दृष्टिकोण प्रदान करता है।