该论文研究的是深度神经网络在黑盒设定下的定向对抗攻击问题，属于对抗机器学习领域兼具理论难度与工程意义的课题。背景是：DNN 对微小扰动敏感，而攻击按信息可见性可分为白盒与黑盒；黑盒中又以 decision-based（仅返回 top-1 标签）的定向攻击最为困难——攻击者既看不到梯度与置信度，又必须让模型在扰动受约束的前提下预测一个事先指定的目标类别。作者指出现有方法的主要瓶颈出现在扰动精修之前的初始化阶段：必须先找到一个能够把样本推入目标类决策区域的可行方向，而这一步往往消耗掉绝大部分查询预算，导致在低查询预算下成功率极低。为此论文提出 GuidedRay，一种基于多样性引导方向发现的定向 decision-based 攻击框架。其设计建立在两个观察之上：其一，目标类别的参考样本能够提供以目标为条件的方向先验，使搜索不再是盲目的；其二，候选样本越多样，命中某个真正指向目标区域的方向的概率就越高，从而避免在单一方向上反复浪费查询。方法上，GuidedRay 从一个或多个目标类参考样本出发生成多个风格各异的候选样本，再用一次查询即可完成的 Fast Test 快速筛选这些候选所诱导的符号方向，筛掉明显不可行的候选；一旦确认存在可行方向，就用 Ray Search 沿着该方向不断缩减到决策边界的半径，从而在有限的扰动预算内完成定向攻击，同时把查询开销集中于最有希望的方向上。实验部分在 CIFAR-10、CIFAR-100 与 ImageNet 三个数据集上展开，在 500 到 5000 四个查询预算档位上与五种当前最优的 decision-based 攻击进行对比，GuidedRay 在所有档位均取得更好的表现，尤其在初始化阶段的方向发现效率上优势显著，说明查询预算越紧张收益越明显；此外，面对采用对抗训练或 TRADES 加固的模型，它在四个查询预算下同样取得最高的攻击成功率，表明该方向先验与多样性策略对鲁棒模型也能奏效。整体而言，论文的核心贡献在于把黑盒定向攻击的瓶颈从“扰动精修”重新定位到“方向发现”，并给出了一个查询高效的工程化方案，适合对抗鲁棒性研究者、模型安全评估与红队人员阅读。