我有幸参与 ACM MM 2025学术会议。该会议以多媒体技术与应用的前沿探索为核心，覆盖多媒体内容分析、计算机视觉融合、多媒体安全防护、跨模态交互等关键方向，为全球科研人员、技术开发者及行业专家搭建了高端交流桥梁。会议聚焦多媒体领域的技术突破、核心挑战与创新解决方案，参会者可通过主题报告、专题研讨及产业对接等形式，深化学术协作与知识共享，推动多媒体技术从理论研究向实际应用转化，既是引领领域发展的核心平台，也为科研人员提供了分享最新研究成果、拓展学术视野的宝贵契机。 我的论文题为《Focus on Generalization: Improving Adversarial Transferability via Bi-Level Bias Mitigation》。目前基于中间层特征攻击方法中，由于偏差导致的特征重要性估计不准确导致的迁移性能不佳的问题，提出了BBMA框架。该框架将跨模型迁移性挑战分解为模型层面偏差与样本层面偏差，并提出相应的PFF模块和AAS模块，分别解决这两种偏差。具体来说，该框架主要包括渐进式高频滤波模块和累积梯度引导的模型特定注意力偏移模块。通过渐进式高频滤波与梯度聚合来减少偏差，提升特征重要性评估的准确性。同时，引入对抗梯度引导方式，引导模型注意力的转移，并通过累积梯度生成包含更多类别特征的更为准确的特征重要性图来指导对抗样本生成。该方法选取多个代理模型，并在ImageNet,Cifar10等多个数据集上进行了实验，通过在代理模型上生成对抗扰动，并测试对抗扰动在目标模型（正常模型，对抗训练模型，使用不同防御策略的模型）的对抗迁移性，结果表明，该方法在多种模型架构和防御场景下均表现出较强的对抗迁移性 在本次会议期间，我全程参与了多场学术报告及相关技术论坛，与来自多媒体领域及对抗样本迁移性方向的学者进行了深入交流。通过这一过程，我进一步把握了对抗样本与跨领域技术融合的前沿动向，也对多媒体场景下对抗样本的应用与挑战有了更为系统的理解。此外，我还与多位行业专家建立了学术联系，分享了BBMA的研究细节，并收获了关于技术优化路径与实际场景落地等方面的宝贵建议。 此次参与ACM MM会议，是我学术道路上的重要里程碑。它不仅为我提供了一个宝贵的学术交流平台，也让我能近距离接触多媒体与安全交叉领域的最新研究成果。此外，也将促进我未来在这一领域的研究继续快速发展，助力更多应用场景的创新。 该团组已进行事后公示。 （领队签字） |
