CNN 与 CNN-ANFIS 架构对抗鲁棒性的比较研究
计算机视觉与模式识别
2026-02-10 v1 人工智能
摘要
卷积神经网络（CNN）在图像分类中取得了强大的性能，但缺乏可解释性且对对抗性攻击脆弱。神经模糊混合模型如DCNFIS用自适应神经模糊推理系统（ANFIS）取代完全连接的CNN分类器，以提高可解释性，但其鲁棒性仍未得到充分探索。本工作在MNIST、Fashion-MNIST、CIFAR-10和CIFAR-100上，对标准CNN（ConvNet、VGG、ResNet18）与其ANFIS增强版进行比较，分别针对基于梯度的（PGD）和基于梯度-free（Square）攻击进行测试。结果表明，ANFIS集成不一定能提高干净准确率，其对鲁棒性的影响取决于网络结构：ResNet18-ANFIS表现出改进的对抗鲁棒性，而VGG-ANFIS常常不及其基线。这些发现表明，神经模糊增强在特定网络结构中可以增强鲁棒性，但并非在所有情况下都能提供好处。
引用
@article{arxiv.2602.07028,
title = {A Comparative Study of Adversarial Robustness in CNN and CNN-ANFIS Architectures},
author = {Kaaustaaub Shankar and Bharadwaj Dogga and Kelly Cohen},
journal= {arXiv preprint arXiv:2602.07028},
year = {2026}
}
备注
Accepted to NAFIPS 2026