近日，在全球人工智能领域最具影响力的顶级学术会议 NeurIPS（神经信息处理系统大会）上， 清华大学和蚂蚁数科联合提出了一种名为 Dual-Flow 的新型对抗攻击生成框架。

简单来说，Dual-Flow 是一个能够从海量图像数据中学习 “通用扰动规律” 的系统，它不依赖目标模型结构、不需要梯度，却能对多种模型、多种类别发起黑盒攻击。其核心思想是通过 “前向扰动建模 — 条件反向优化” 的双流结构，实现对抗样本的高可迁移性与高成功率，同时保持极低的视觉差异。

可以把它理解为一个“可控的对抗样本生成器只需指定想攻击的图像类别（如狗类、人类），模型就能自动生成该类别下逼真且有效的攻击图像，为 AI 安全带来了前所未有的挑战。

论文标题：Dual-Flow: Transferable Multi-Target, Instance-Agnostic Attacks via In-the-wild Cascading Flow Optimization作者：Yixiao Chen, Shikun Sun, Jianshu Li, Ruoyu Li, Zhe Li, Junliang Xing机构：Tsinghua University, Ant Group论文地址：https://openreview.net/pdf?id=zhCv5uZ8bhGitHub：https://github.com/Chyxx/Dual-Flow

研究背景与意义

随着 AI 模型在图像识别、自动驾驶、监控系统等领域广泛部署，“模型安全” 成为重要问题。尤其在黑盒环境下（攻击者无法知道模型结构和梯度），攻击通常依赖迁移性：希望一个方法能同时迷惑多个模型或多个类别。

传统方法存在两大局限：

实例专属攻击（instance-specific）：高成功率，但只能针对单张图片，迁移性差。通用生成器攻击（instance-agnostic）：迁移性有限，面对多目标、多模型时成功率下降。

DualFlow 正是为了解决这些问题而提出的 —— 通过统一的生成优化框架，实现多目标、多模型、实例无关的高成功率攻击。

⚡ 核心创新点

前向 + 反向 Flow 结构

DualFlow 并不在像素级别直接加噪声，而是：

先把图片映射到 flow /latent 空间，在这个空间做结构化扰动再通过 velocity function 反向映射到图像空间，生成对抗样本

相比传统 “像素扰动”，这种方法能生成更自然、更隐蔽、结构化的扰动，同时保持高迁移性。

多目标、实例无关攻击能力

DualFlow 的统一框架天然支持：

多目标（multitarget）：一个生成器即可攻击多个类别多模型（multimodel）：可迁移到不同架构的模型实例无关（instanceagnostic）：无需针对特定图像训练

这意味着，以往需要 “每个目标单独训练生成器” 的方法，现在只需一个生成器就能覆盖多个类别和模型，显著降低成本、提高实用性。

级联分布偏移训练（Cascading Distribution Shift Training）

实验结果

在 ImageNet 验证集上的实验表明，DualFlow 在单目标和多目标攻击中都展现了强大的迁移能力。

Table 3 进一步验证了 DualFlow 在多目标、多模型以及对抗训练模型上的迁移性能。结果显示，即使面对经过对抗训练的模型，DualFlow 依然保持较高成功率，体现了其在黑盒环境下的通用性和强大攻击力。整体来看，这些实验充分证明了 DualFlow 在实现多目标、多模型、实例无关攻击上的优势，同时在保证视觉隐蔽性的前提下，提供了现实环境下的高迁移攻击能力。

总结与贡献

Dual-Flow 提出了一种全新的通用对抗样本生成范式，通过前向与反向 Flow 的协同结构以及级联式分布偏移训练，实现了在多目标、多模型场景下依旧稳定有效的实例无关攻击。相比传统依赖像素级噪声的扰动方式，Dual Flow 所生成的扰动更具结构性、更难被察觉，同时一个生成器即可覆盖多个类别与模型，无需为每个攻击目标单独训练，大幅降低了使用成本。

实验结果表明，Dual-Flow 在黑盒条件下展现出极强的迁移性，例如在从 Inception-v3 迁移攻击 ResNet-152 的实验中，攻击成功率提升高达 34.58%。

该技术已经应用于蚂蚁数科身份安全相关产品的能力优化，集成了该对抗生成框架用于对抗样本的生成和检测，使得防御体系对对抗样本有更好的鲁棒性。