精品代码
IEEE CEC2026多标签对抗样本竞赛-完整框架与冠军算法-黑盒攻击
IEEE CEC 2026演化计算多标签对抗样本竞赛官方框架，包含冠军Gradient-Plateau SBA(96.3%成功率)、亚军Multi-Archive Search、季军Structured Active-Label三大获奖算法完整实现，支持ML-GCN/ML-LIW模型和4个数据集
项目说明
项目简介
IEEE CEC 2026多标签对抗样本生成竞赛是演化计算在深度学习安全领域的前沿应用，本项目包含竞赛官方框架和前三名获奖算法的完整实现。
竞赛排名
| 排名 | 参赛者 | 算法 | 平均ASR |
|---|---|---|---|
| 第1名 | Juewen Fan | Gradient-Plateau SBA | 0.962875 |
| 第2名 | Chaofan Xie | Multi-Archive Search | 0.823625 |
| 第3名 | Gaoren Zhang | Structured Active-Label | 0.763125 |
核心价值
- 官方框架：IEEE CEC 2026正式竞赛的完整评测系统
- 顶级算法：包含冠军算法Gradient-Plateau SBA(552行Python)
- 多模型支持：ML-GCN、ML-LIW两种多标签分类模型
- 四大数据集：MS-COCO、PASCAL VOC 2007/2012、NUS-WIDE
- 黑盒场景：真实的查询预算限制(10,000次/图像)
冠军算法技术
- DCT降维：602,112维到2,700维(低频30x30块)
- 零阶梯度估计：对偶采样+Adam优化
- 单标签救援：集中攻击最难标签
- 平台突破：稀疏/密集扰动策略
- SBA回退：坐标级贪婪细化
性能表现
- VOC 2007：99.9%成功率(ML-GCN)
- VOC 2012：99.6%成功率
- COCO：98.4%成功率
- NUS-WIDE：91.3%成功率
攻击约束
- 攻击类型：黑盒随机多标签攻击
- 扰动上界：L2范数小于等于77.596(视觉不可察觉)
- 查询预算：每张图像最多10,000次模型评估
- 成功标准：所有目标标签预测概率大于0.5
应用场景
- 对抗鲁棒性研究：评估模型安全性、对抗训练
- 演化算法研究：算法对比、参数优化、混合策略
- 安全防御技术：输入变换、对抗检测、模型集成
- 多标签学习：标签依赖性分析、模型可解释性
技术栈
Python 3.8+, PyTorch 1.10+, NumPy 1.21+, SciPy 1.7+, Pillow 8.3+