Las redes neuronales profundas son susceptibles a la interferencia de ruido deliberadamente creado, lo que puede llevar a resultados incorrectos de clasificación. Los enfoques existentes hacen menos uso de la información del espacio latente y realizan modificaciones en el dominio de píxeles en lugar del espacio de entrada, lo que aumenta el costo computacional y disminuye la transferibilidad. En este trabajo, proponemos un algoritmo de ataque impulsado por la búsqueda de distribuciones adversariales efectivas (ADSAttack) para generar ejemplos adversariales contra redes neuronales profundas. ADSAttack introduce una red afiliada para buscar distribuciones potenciales en el espacio latente de la imagen para sintetizar ejemplos adversariales. ADSAttack utiliza un algoritmo de detección de bordes para localizar un mapeo de características de bajo nivel en el espacio de entrada para delinear el área perturbada efectiva mínima. Los resultados experimentales muestran que ADSAttack logra una mayor transferibilidad, una mejor visualización imperceptible y una generación más rápida en comparación con los algoritmos tradicionales. Para generar 1000 ejemplos adversariales, ADSAttack tarda y, en promedio, logra una tasa de éxito de .