简单是否凌驾于复杂？对抗鲁棒性 DNN 中策略的比较
机器学习
2025-08-26 v1
摘要
深度神经网络 (DNN) 在 various applications 中显示出巨大的成功，但仍然容易受到对抗性攻击的威胁。这项研究旨在识别和隔离两种不同对抗训练技术的组成部分，这些技术最主要地促进了 increased 对抗鲁棒性，特别是通过输入空间中的边际（数据点与决策边界之间的最短距离）的视角。具体而言，我们比较两种最大化边际的方法：一种是一种简单的方法，通过修改损失函数来增加对边际的近似值的方法；另一种是一种更复杂的 state-of-the-art 方法（Dynamics-Aware Robust Training），它建立在这种方法之上。我们以 VGG-16 模型作为我们的 base，系统地隔离和评估这些方法的各个组成部分，以确定它们对对抗鲁棒性的相对影响。我们评估了每个组件在 various 对抗攻击下的模型性能，包括 AutoAttack 和投射梯度下降 (PGD)。我们的分析在 CIFAR-10 数据集上揭示了哪些元素最有效地增强了对抗鲁棒性，为设计更 robust 的 DNN 提供了见解。
引用
@article{arxiv.2508.18019,
title = {Does simple trump complex? Comparing strategies for adversarial robustness in DNNs},
author = {William Brooks and Marelie H. Davel and Coenraad Mouton},
journal= {arXiv preprint arXiv:2508.18019},
year = {2025}
}