展开（基于模型）网络的对抗泛化

展开网络是从迭代算法衍生出的可解释网络，融合了数据结构的先验知识，旨在求解压缩感知等逆问题——即从含噪、缺失观测中恢复数据。压缩感知在医学成像到密码学等关键领域有广泛应用，其中对抗鲁棒性对防止灾难性故障至关重要。然而，对展开网络在对抗攻击下性能的理论理解仍处于起步阶段。本文研究了展开网络在受到 $l_2$-范数约束攻击（由快速梯度符号法生成）时的对抗泛化。特别地，我们选择了一族最先进的过参数化展开网络，并部署了一种新框架来估计其对抗 Rademacher 复杂度。基于该估计，我们给出了所研究网络的对抗泛化误差界，该界与攻击水平紧密相关。据我们所知，这是首次对展开网络的对抗泛化进行的理论分析。我们进一步在真实数据上进行了一系列实验，结果始终与所推导的理论相吻合。最后，我们观察到该族的过参数化可被利用来提升对抗鲁棒性，为高效鲁棒化神经网络提供了启示。