超越均匀抽样：用于鲁棒神经算子的数动学习与输入去噪的协同方法
机器学习
2026-04-16 v1 人工智能
摘要
神经算子作为物理仿真的快速替代模型，近年来不断涌现，但它们对对抗性扰动极其敏感，这在安全关键的数字孪生部署中构成了关键风险。我们提出了一种协同防御机制，融合基于主动学习的数据生成与输入去噪架构。主动学习组件通过差分进化攻击自适应探测模型弱点，然后在发现的脆弱位置生成针对性训练数据，同时通过自适应光滑比率 safeguard 保持基线准确性。输入去噪组件通过可学习的瓶颈层增强算子架构，该层能够过滤对抗性噪声，同时保留物理相关特征。在粘性 Burgers 方程基准测试中，联合方法实现了 2.04% 的组合误差（1.21% 基线 + 0.83% 鲁棒性），相较于标准训练的 15.42% 组合误差实现了 87% 的降低，显著优于仅使用主动学习（3.42%）或仅使用输入去噪（5.22%）。更广泛地说，我们的结果结合了来自 prior work 的跨架构脆弱性分析，表明神经算子的最优训练数据依赖于具体架构：由于不同架构在不同输入子空间中集中敏感性，均匀抽样无法充分覆盖所有模型的脆弱性景观。这些发现对在安全关键能源系统中部署神经算子（包括核反应堆监控）具有潜在意义。
引用
@article{arxiv.2604.13316,
title = {Beyond Uniform Sampling: Synergistic Active Learning and Input Denoising for Robust Neural Operators},
author = {Samrendra Roy and Souvik Chakraborty and Syed Bahauddin Alam},
journal= {arXiv preprint arXiv:2604.13316},
year = {2026}
}