敵対事的なイベントの生成：モーション感知型ポイントクラウドフレームワーク MA-ADV

arXiv:2602.08230v1 Announce Type: new 要旨：イベントカメラは、自律走行車、ロボット工学、そして人間とのインタラクションを含む安全に重要な分野で広く採用されています。深層ニューラルネットワークが敵対事的なサンプルに対して脆弱であるという課題は、イベントベースシステムの信頼性に対する重大な脅威となっています。しかしながら、イベントに対する敵対事的な攻撃に関する研究はまだ限られています。これは、主に主要なイベント表現の微分可能性がないことによるもので、それが勾配ベースの攻撃方法の適用を妨げているためです。本論文では、新しいモーション（Motion）感知型敵対的（Adv）フレームワーク MA-ADV（MA-ADV）を提案します。現在では、ポイントクラウド表現を活用して敵対事的なイベントを生成する最初の研究でありると考えられます。MA-ADV はイベント内の高周波ノイズを考慮し、拡散モデルアプローチを採用して擾乱を平滑化するとともに、イベント間の空間的および時間的な関係性を完全に活用します。最後に、サンプルごとの Adam 最適化、反復的な再処理、そして二分探索の組み合わせを用いて、最小コストの擾乱を特定します。広範な実験結果は、MA-ADV が最小の擾乱コストで 100％の攻撃成功率を達成できるともなかつたのを示し、さらに防御策に対する強化された頑健性も実証しました。これにより、将来のイベントベースのパーセプションシステムが直面している決定的なセキュリティ課題の重要性が強調されました。

arXiv:2602.08230v1 Announce Type: new Abstract: Event cameras have been widely adopted in safety-critical domains such as autonomous driving, robotics, and human-computer interaction. A pressing challenge arises from the vulnerability of deep neural networks to adversarial examples, which poses a significant threat to the reliability of event-based systems. Nevertheless, research into adversarial attacks on events is scarce. This is primarily due to the non-differentiable nature of mainstream event representations, which hinders the extension of gradient-based attack methods. In this paper, we propose MA-ADV, a novel \textbf{M}otion-\textbf{A}ware \textbf{Adv}ersarial framework. To the best of our knowledge, this is the first work to generate adversarial events by leveraging point cloud representations. MA-ADV accounts for high-frequency noise in events and employs a diffusion-based approach to smooth perturbations, while fully leveraging the spatial and temporal relationships among events. Finally, MA-ADV identifies the minimal-cost perturbation through a combination of sample-wise Adam optimization, iterative refinement, and binary search. Extensive experimental results validate that MA-ADV ensures a 100\% attack success rate with minimal perturbation cost, and also demonstrate enhanced robustness against defenses, underscoring the critical security challenges facing future event-based perception systems.