IPLS-DA: Influential Pixel Location Selection for Enhancing Few-Pixel Adversarial Attacks via Differential Evolution

One-Pixel Attack은 차분 진화(Differential Evolution, DE)를 이용하여 소수 픽셀만 변경하더라도 심층 신경망의 분류 결과를 뒤집을 수 있음을 보인다. 그러나 이 방법은 전체 픽셀 공간을 전역적으로 탐색하므로, 변경 픽셀 수 K가 늘어나면 조합 C(N, K)의 증가로 인해 탐색 효율이 급격히 떨어진다. 본 연구에서는 DE 최적화에 앞서 그래디언트 기반 Saliency Map으로 민감 픽셀을 사전 선별하는 프레임워크 IPLS-DA(Influential Pixel Location Selection and Differential Evolution Attack)를 제시한다. 1,024개 중 128개 후보만 DE에 전달하되 DE 설정을 유지하여 성능 변화를 공간 축소에 귀결시킨다. 세 가지 모델(AllConvNet, NiN, VGG16), 두 종류의 CIFAR-10 데이터셋(Original, Kaggle), K=1·3·5 조건에서 평가한 결과, IPLS-DA는 기준선인 One-Pixel Attack 대비 공격 성공률(Attack Success Rate, ASR)을 5~35 %p 향상하며, 조합 복잡도가 가장 큰 K=3 및 K=5 조건에서 최대 35 %p 향상을 달성한다. 이는 Saliency 기반 후보 축소가 소수 픽셀 공격의 조합 증가에 효과적임을 입증한다.