对抗剪枝：剪枝方法的调查与基准
机器学习
2025-06-02 v2 密码学与安全
计算机视觉与模式识别
摘要
最近的工作提出了神经网络剪枝技术，以减少网络大小，同时保持对对抗样本的鲁棒性，即精心制作的输入导致误分类。这些方法即我们所谓的对抗剪枝方法，涉及复杂而精细的设计，使其难以分析差异并建立公平且准确的比较。本文通过调查当前的对抗剪枝方法并提出新型分类法来克服这些问题，该分类法基于两个主要维度：管道，定义何时剪枝；具体情况，定义如何剪枝。我们然后指出当前经验分析的局限性，并提出一种新型公平评估基准来解决这些问题。最后我们对当前的对抗剪枝方法进行经验重新评估并讨论结果，强调表现最佳对抗剪枝方法的共同特征以及常见问题。我们欢迎来自我们公开可用基准（https://github.com/pralab/AdversarialPruningBenchmark）的贡献。
引用
@article{arxiv.2409.01249,
title = {Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness},
author = {Giorgio Piras and Maura Pintor and Ambra Demontis and Battista Biggio and Giorgio Giacinto and Fabio Roli},
journal= {arXiv preprint arXiv:2409.01249},
year = {2025}
}
备注
Accepted at Pattern Recognition