본 논문은 딥러닝 모델의 취약성을 드러내는 적대적 공격에 대한 연구입니다. 기존의 곡률 기반 접근 방식이 주로 손실 함수나 모델 내부 매개변수의 곡률을 사용하는 반면, 본 논문에서는 의사결정 경계의 곡률을 추정하는 새로운 방법인 동적 곡률 추정(DCE)을 제안합니다. 블랙박스 설정에서 CGBA 기반으로 의사결정 경계의 곡률을 효율적으로 추정하고, 이를 통해 의사결정 경계 곡률과 적대적 강건성 간의 통계적 연관성을 발견했습니다. 또한, 동적으로 추정된 곡률을 이용하여 성능이 향상된 새로운 공격 방법인 곡률 동적 블랙박스 공격(CDBA)을 제안합니다.