利用结构先验提升对抗鲁棒性与泛化能力
机器学习
2025-02-04 v1 密码学与安全
神经与进化计算
摘要
本工作研究了一种通过在深度学习模型设计中融入结构先验来提升对抗鲁棒性和泛化能力的新方法。具体而言，我们的研究意外地揭示了现有受字典学习启发的卷积神经网络（CNNs）在对抗攻击下提供了一种虚假的安全感。为了解决这个问题，我们提出了弹性字典学习网络（EDLNets），这是一种新颖的 ResNet 架构，能显著增强对抗鲁棒性和泛化能力。这种新颖且有效的方法得到了使用影响函数进行的理论鲁棒性分析的支持。此外，广泛且可靠的实验表明，在 RobustBench 等公开鲁棒性排行榜上，其性能持续且显著地提升，超越了最先进的基线模型。据我们所知，这是首次发现并验证结构先验能够在强自适应攻击下可靠地增强深度学习鲁棒性的工作，为未来研究揭示了一个有前景的方向。
引用
@article{arxiv.2502.00834,
title = {Boosting Adversarial Robustness and Generalization with Structural Prior},
author = {Zhichao Hou and Weizhi Gao and Hamid Krim and Xiaorui Liu},
journal= {arXiv preprint arXiv:2502.00834},
year = {2025}
}