本文提出了一種名為 DeGCG 的雙階段遷移學習框架,用於提升對抗性後綴搜索的效率,從而更有效地攻擊對齊的大型語言模型。
骨骼動作識別系統 (S-HAR) 易受對抗性攻擊,特別是基於遷移的攻擊,這種攻擊利用代理模型製作對抗性範例,並將其轉移到目標黑盒模型。