तकनीकी सारांश: एक संयुक्त बहु-उद्देश्य और बहु-मॉडल अनुकूलन ढांचे के माध्यम से सार्वभौमिक भौतिक प्रतिकूल हमलों की ओर

1. समस्या विवरण

भौतिक प्रतिकूल हमले (physical adversarial attacks), विशेष रूप से 3D प्रतिकूल छलावरण (3D adversarial camouflage), तीन महत्वपूर्ण बाधाओं का सामना करते हैं जो ब्लैक-बॉक्स मॉडल के विरुद्ध उनके वास्तविक दुनिया के परिनियोजन को सीमित करती हैं:

1. एकल सरोगेट्स पर ओवरफिटिंग (Overfitting to Single Surrogates): मौजूदा विधियाँ अक्सर एक एकल सरोगेट मॉडल (जैसे, YOLO श्रृंखला) पर निर्भर करती हैं, जिससे उत्पन्न छलावरण विशिष्ट निर्णय सीमाओं (decision boundaries) के प्रति ओवरफिट हो जाता है और विषम नेटवर्क (heterogeneous networks) के विरुद्ध विफल हो जाता है।
2. उथले और गहरे हमलों के बीच तालमेल का अभाव (Lack of Synergy Between Shallow and Deep Attacks): वर्तमान रणनीतियाँ या तो उथले आउटपुट दमन (कुशल लेकिन ओवरफिटिंग के प्रति संवेदनशील) या गहरे फीचर व्यवधान (स्थानांतरणीय लेकिन कठोर आउटपुट मार्गदर्शन की कमी) का उपयोग करती हैं। सहक्रियात्मक एकीकरण (synergistic integration) के अभाव में हमले उच्च दक्षता और गहरी सामान्यीकरण क्षमता दोनों प्राप्त करने में विफल रहते हैं।
3. बहु-स्रोत संलयन में ग्रेडिएंट संघर्ष (Gradient Conflicts in Multi-Source Fusion): कई मॉडलों और उद्देश्यों को एकीकृत करते समय, सरल संलयन रणनीतियाँ (जैसे, समान-भार योग) भौतिक बनावट के प्रतिबंधित पैरामीटर स्पेस के भीतर गंभीर ग्रेडिएंट संघर्ष और दोलन (oscillations) पैदा करती हैं। इसके परिणामस्वरूप दिशात्मक निरस्तीकरण और ऊर्जा हानि होती है, जो मजबूत मॉडलों की प्रतिकूल मांगों को दबा देती है।

इसके अलावा, मौजूदा विधियाँ अंतर्निहित अनुकूलन उद्देश्यों के अर्थ संबंधी अंतर (semantic gaps) के कारण विभिन्न दृश्य कार्यों (जैसे, ऑब्जेक्ट डिटेक्शन से सेमेंटिक सेगमेंटेशन या डेप्थ एस्टीमेशन में स्थानांतरण) में सामान्यीकरण करने में संघर्ष करती हैं।

2. कार्यप्रणाली: संयुक्त बहु-उद्देश्य और बहु-मॉडल अनुकूलन ढांचा (JMOF)

प्रस्तावित JMOF ढांचा इन सीमाओं को चार-चरणीय दृष्टिकोण के माध्यम से संबोधित करता है:

A. मात्रात्मक सरोगेट मॉडल चयन (Quantitative Surrogate Model Selection)

सहज या यादृच्छिक चयन के बजाय, JMOF उम्मीदवार मॉडलों की विषमता को मापने के लिए ग्रेडिएंट कोसाइन समानता (Gradient Cosine Similarity) का उपयोग करता है। एक ग्रीडी सिलेक्शन एल्गोरिदम $N$ मॉडलों का एक समूह बनाता है जो युग्मवार ग्रेडिएंट समानता को न्यूनतम करता है। यह सुनिश्चित करता है कि समूह दृश्य संज्ञानात्मक तर्क (visual cognitive logic) के एक विविध स्पेक्ट्रम को कवर करता है, जिससे अनुकूलन को समान आर्किटेक्चर द्वारा साझा किए गए स्थानीय मिनिमा (local minima) में फंसने से रोका जा सके।

B. द्वि-स्तरीय बहु-उद्देश्य हमला तंत्र (Dual-Level Multi-Objective Attack Mechanism)

यह ढांचा दक्षता और सामान्यीकरण को संतुलित करने के लिए तीन घटकों वाले एक संयुक्त लॉस फंक्शन का उपयोग करता है:

1. डिटेक्शन लॉस ($L_{det}$): एक LogSumExp-आधारित दमन रणनीति जो ग्राउंड ट्रुथ के साथ उच्च इंटरसेक्शन ओवर यूनियन (IoU) वाले सभी अनुमानित बाउंडिंग बॉक्स के कॉन्फिडेंस स्कोर को अनियंत्रित रूप से दबाती है। यह स्पष्ट, उथला मार्गदर्शन प्रदान करती है।
2. फीचर लॉस ($L_{fea}$): एक गहरा व्यवधान तंत्र जो मध्यवर्ती फीचर मैप्स को लक्षित करता है। यह मल्टी-स्केल लेयर्स में मीन सप्रेशन (Mean Suppression) (कुल सक्रियण को कम करना) और वेरिएंस फ्लैटनिंग (Variance Flattening) (सिमेंटिक पीक्स को सुचारू करना) करता है। यह ब्लैक-बॉक्स स्थानांतरणीयता बढ़ाने के लिए साझा स्थानिक संरचनात्मक विशेषताओं को विघटित करता है।
3. स्मूथ लॉस ($L_{smo}$): एक टोटल वेरिएशन-आधारित लॉस जो प्रतिकूल बनावट की निरंतरता सुनिश्चित करता है, जिससे उच्च-आवृत्ति वाले शोर (high-frequency noise) समाप्त हो जाता है जो भौतिक दृष्टिकोण परिवर्तनों और अवरोधों (occlusions) के तहत विफलता का कारण बनता है।

C. ऑर्थोगोनल ग्रेडिएंट अलाइनमेंट (Orthogonal Gradient Alignment - OGA)

ग्रेडिएंट संघर्षों को हल करने के लिए, JMOF OGA रणनीति पेश करता है। निष्क्रिय त्याग विधियों (जैसे, DRF, DGR) के विपरीत, OGA सक्रिय रूप से संघर्षरत ग्रेडिएंट्स को पुनर्गठित करता है:

• लोकल पैच विश्लेषण (Local Patch Analysis): वैश्विक बनावट को स्थानीय पैच में विभाजित किया जाता है। प्रत्येक पैच के लिए, विषम ग्रेडिएंट्स के बीच ज्यामितीय कोण और परिमाण सहसंबंधों को कैप्चर करने के लिए एक ग्राम मैट्रिक्स (Gram matrix) की गणना की जाती है।
• ऑर्थोगोनल प्रोजेक्शन (Orthogonal Projection): आइजनवैल्यू डिकंपोजिशन के माध्यम से, OGA एक ऑर्थोगोनल ट्रांसफॉर्मेशन मैट्रिक्स का निर्माण करता है। यह संघर्षरत ग्रेडिएंट्स को एक ऑर्थोगोनल बेसिस पर प्रोजेक्ट करता है, जो प्रभावी रूप से प्रतिकर्षक अनुकूलन क्षमता ऊर्जा (repulsive optimization potential energy) को सहक्रियात्मक गतिज ऊर्जा (synergistic kinetic energy) में बदल देता है, बिना फीचर प्राथमिकताओं को छोड़े।
• डायनेमिक टास्क वेटिंग (Dynamic Task Weighting): एक डायनेमिक वेटिंग तंत्र ($\omega$) उन मॉडलों को उच्च भार देता है जिनमें उच्च प्रतिकूल कठिनाई (जैसे, विजन ट्रांसफॉर्मर्स) होती है, यह सुनिश्चित करता है कि हमला उच्च-आयामी भेद्यता स्थानों की ओर विकसित हो।
• अनुकूली स्टेप-साइज़ (Adaptive Step-Size): ऑर्थोगोनल डिकंपोजिशन स्वाभाविक रूप से दृढ़ प्रतिकर्षक घटकों को संकुचित करता है, जो एक अनुकूली स्टेप-साइज़ डिके के रूप में कार्य करता है ताकि तीव्र लॉस क्षेत्रों में ऑप्टिमाइज़र के रुकने (stagnation) को रोका जा सके।

D. संवर्धन रणनीतियाँ (Enhancement Strategies)

• व्यू-डिपेंडेंट टेक्सचर गेटर (View-Dependent Texture Gater - VTG): बैकप्रोपैगेशन के दौरान दृश्यता बाधाओं को लागू करता है, यह सुनिश्चित करता है कि अदृश्य पिक्सेल (स्व-अवरोध या दृष्टिकोण परिवर्तन द्वारा बाधित) को गलत तरीके से स्मूथ न किया जाए, जिससे दृश्य क्षेत्रों पर प्रतिकूल ऊर्जा सुरक्षित रहे।
• स्टोकेस्टिक टेक्सचर ड्रॉपआउट (Stochastic Texture Dropout - STD): प्रशिक्षण के दौरान प्रतिकूल बनावट के ब्लॉकों को यादृच्छिक रूप से मास्क करता है ताकि वास्तविक दुनिया के अवरोधों का अनुकरण किया जा सके। यह एल्गोरिदम को विशिष्ट स्थानीय शॉर्टकट पर निर्भर होने से रोकता है और वैश्विक रूप से सामान्यीकरण योग्य फीचर्स सीखने के लिए मजबूर करता है।

3. मुख्य योगदान

1. ग्रेडिएंट समानता विश्लेषण: यह शोध ग्रेडिएंट समानता में एक महत्वपूर्ण ट्रेड-ऑफ को प्रकट करता है: अत्यधिक संरेखित ग्रेडिएंट्स विविधता को सीमित करते हैं, जबकि अत्यधिक भिन्न ग्रेडिएंट्स संघर्ष पैदा करते हैं। यह इष्टतम सरोगेट एन्सेम्बल के चयन के लिए एक प्रभावी समानता शासन (similarity regime) को परिभाषित करता है।
2. द्वि-स्तरीय हमला तंत्र: एक सहक्रियात्मक तंत्र का प्रस्ताव जो भविष्यवाणी आउटपुट को दबाने और मध्यवर्ती फीचर वितरण को सपाट करने को संयुक्त रूप से संचालित करता है, जिससे एकल-स्तरीय हमलों की सीमाओं को पार किया जाता है।
3. ऑर्थोगनल ग्रेडिएंट अलाइनमेंट (OGA): एक अभिनव मॉड्यूल जो परस्पर प्रतिकर्षक ग्रेडिएंट्स को सहक्रियात्मक अनुकूलन दिशाओं में बदलकर संघर्षरत ग्रेडिएंट्स को हल करता है, जिससे विषम मॉडलों के बीच साझा कमजोर क्षेत्रों पर अभिसरण (convergence) संभव होता है।
4. क्रॉस-टास्क सामान्यीकरण: यह प्रमाण कि फ्रेमवर्क ऐसे हमले उत्पन्न करने में सक्षम है जो ऑब्जेक्ट डिटेक्शन, सेमेंटिक सेगमेंटेशन और मोनोकुलर डेप्थ एस्टीमेशन मॉडलों को एक साथ धोखा दे सकते हैं, जो उच्च-स्तरीय सिमेंटिक धारणा और निम्न-स्तरीय ज्यामितीय प्रतिगमन (geometric regression) के बीच के अंतर को पाटता है।

4. प्रयोगात्मक परिणाम

CARLA सिम्युलेटर और PET फिल्म कैरियर के साथ भौतिक 1:18 स्केल मॉडल का उपयोग करके व्यापक प्रयोग किए गए।

• क्रॉस-मॉडल स्थानांतरणीयता (Cross-Model Transferability): JMOF ने विविध ब्लैक-बॉक्स डिटेक्टरों, जिनमें CNNs (YOLO, Faster R-CNN), विजन ट्रांसफॉर्मर्स (ViT, Swin) और हाइब्रिड शामिल हैं, के विरुद्ध अत्याधुनिक बेसलाइन (जैसे, FCA, DAS, HTCA, TACO) को पछाड़ दिया। इसने अत्यधिक विषम मॉडलों के विरुद्ध भी उच्च अटैक सक्सेस रेट (ASR) बनाए रखा जहाँ सिंगल-मॉडल बेसलाइन विफल रहे।
• बहु-दृष्टिकोण मजबूती (Multi-View Robustness): विधि ने विभिन्न अज़ीमुथ और पिच कोणों पर बेहतर मजबूती प्रदर्शित की, विशेष रूप से साइड व्यू में जहाँ पारंपरिक विधियाँ टोपोलॉजिकल परिवर्तनों के कारण काफी खराब हो जाती हैं।
• एब्लेशन अध्ययन (Ablation Studies):
  • फीचर लॉस ($L_{fea}$) को हटाने से CNNs के विरुद्ध ASR में >13% और ViTs के विरुद्ध >15% की गिरावट आई, जो गहरे फीचर व्यवधान की आवश्यकता की पुष्टि करता है।
  • OGA को हटाने और सरल योग का उपयोग करने से प्रदर्शन में भारी गिरावट आई, जो सक्रिय ग्रेडिएंट पुनर्गठन की आवश्यकता को प्रमाणित करता है।
  • VTG और STD मॉड्यूल के समावेश से ASR में क्रमशः लगभग 9% और 6% का सुधार हुआ।
• क्रॉस-टास्क प्रदर्शन: जब ऑब्जेक्ट डिटेक्शन और सेमेंटिक सेगमेंटेशन (या डेप्थ एस्टीमेशन) के लिए संयुक्त रूप से अनुकूलित किया गया, तो OGA के साथ JMOF ने दोनों कार्यों को सफलतापूर्वक बाधित किया। इसके विपरीत, सरल योग रणनीतियाँ ग्रेडिएंट संघर्षों के कारण दोनों कार्यों पर प्रदर्शन बनाए रखने में विफल रहीं।
• भौतिक परिनियोजन (Physical Deployment): वास्तविक दुनिया के भौतिक प्रयोगों में, विधि ने 65.71% (SMs), 72.76% (CNNs), और 70.63% (ViTs) के ASR प्राप्त किए, जो सिमुलेशन से डोमेन गैप के बावजूद एक मजबूत प्रदर्शन का प्रतिनिधित्व करते हैं।

5. महत्व और दावे

यह शोध वास्तविक दुनिया के परिनियोजन में विजुअल AI की कमजोरियों का मूल्यांकन करने के लिए एक मजबूत ढांचा प्रदान करके भौतिक प्रतिकूल हमलों की सामान्यीकरण सीमाओं को आगे बढ़ाने का दावा करता है।

• सार्वभौमिक प्रयोज्यता: इस ढांचे को एक सार्वभौमिक अंतर्निहित तर्क के रूप में प्रस्तुत किया गया जो विभिन्न आर्किटेक्चर और कार्यों के बीच ग्रेडिएंट संघर्षों को मापने और हल करने में सक्षम है। यह नए मॉडलों को एकीकृत करने के लिए अंधे परीक्षण और त्रुटि (trial-and-error) की आवश्यकता को समाप्त करता है; इसके बजाय, यह नए आर्किटेक्चर को संयुक्त अनुकूलन में अनुकूल रूप से शामिल करने के लिए ग्रेडिएंट समानता विश्लेषण का उपयोग करता है।
• अंतराल को पाटना: यह शोध वर्तमान भौतिक हमलों की क्षमता सीमाओं और वास्तविक दुनिया के ब्लैक-बॉक्स, मल्टी-टास्क परिदृश्यों की मांगों के बीच के विशाल अंतर को संबोधित करता है।
• सहक्रियात्मक अनुकूलन: संघर्षरत ग्रेडिएंट्स को सहक्रियात्मक दिशाओं में बदलकर, विधि निष्क्रिय बचाव से सक्रिय पुनर्गठन की ओर एक प्रतिमान बदलाव (paradigm shift) प्राप्त करती है, जिससे भौतिक प्रतिकूल छलावरण को विविध नेटवर्क और दृश्य कार्यों के बीच साझा भेद्यता स्थानों पर अभिसरण करने में मदद मिलती है।

लेखक स्वीकार करते हैं कि हालांकि विधि ब्रेकथ्रू प्रदर्शन प्राप्त करती है, इसमें मल्टी-मॉडल फॉरवर्ड और बैकवर्ड प्रोपेगेशन के कारण बढ़ी हुई कम्प्यूटेशनल लागत शामिल है। भविष्य के कार्य में जनरेशन दक्षता के साथ सामान्यीकरण प्रदर्शन को संतुलित करने के लिए अधिक कुशल संयुक्त-अनुकूलन एल्गोरिदम और हल्के तंत्रों की खोज करने का प्रस्ताव है।