본 논문은 적대적 공격이 딥러닝 모델의 취약성을 드러낸다는 점에 착안하여, 모델의 결정 경계 곡률이 적대적 견고성에 미치는 영향을 연구합니다. 기존 연구들이 손실 함수나 모델 내부 파라미터의 곡률을 주로 사용한 반면, 본 논문은 블랙 박스 환경에서 결정 경계 곡률을 추정하는 새로운 방법인 동적 곡률 추정 (DCE)을 제안합니다. CGBA 기반의 DCE를 다양한 분류기에 적용하여 결정 경계 곡률과 적대적 견고성 사이의 통계적 연관성을 발견했으며, 추정된 곡률을 활용하여 성능을 향상시킨 새로운 공격 방법인 곡률 동적 블랙 박스 공격 (CDBA)을 제안합니다.
