في عالم الذكاء الاصطناعي، خاصةً فيما يتعلق بوكالات النماذج البصرية مثل DreamerV3، ظهرت تحديات جديدة تتطلب استراتيجيات هجومية متقدمة. من بين هذه الاستراتيجيات، تأتي تقنية "CIVA" (Critic-Induced Value-Subspace Attacks) التي تقدم طريقة جديدة لضرب هذه الأنظمة.

تعمل وكالات النماذج البصرية عبر حالة لاتنت دورية بدلاً من ملاحظة واحدة فقط، مما يضعف القدرة على تنفيذ هجمات تقييم المفردة، ويجعل التغيرات في الاضطرابات ملحوظة بوضوح على مر الزمن.

تقوم طريقة CIVA بتحليل الهجمات باستخدام عوامل موجهة من النقاد، مما يؤدي إلى تركيز الاضطرابات في مساحة فرعية منخفضة الأبعاد التي تستند إلى نموذجها الضحية، مما يسهل تنفيذ الهجمات. تعالج CIVA الضحية مجمداً باستخدام PGD موجهة من الناقد، وتستخرج مساحة القيم المنخفضة المرتبطة باستخدام التحليل القيمي المزايد (SVD). وفي وقت الاختبار، تعمل CIVA على تحسين فقط معاملات هذه المساحة وتنعيمها باستخدام متوسط ​​الحركة الأسي (EMA) قبل إعطاءها إلى الصور.

تُظهر التجارب الشاملة على مهام متعددة مثل DMC walker walk وAtari Pong وCrafter أن CIVA تعطي نتائج متفوقة، مما يؤدي إلى انخفاضات كبيرة في المكافآت تصل إلى 26.07%، مع الحفاظ على اختلاف زمني منخفض.

هذه النتائج مهمة للغاية في مجال الأبحاث الحديثة، حيث تظهر CIVA القارنة الجديدة بين العوامل الموجهة وتطبيقاتها، مما يفتح الأبواب لمزيد من التطورات في عالم الذكاء الاصطناعي.