傅里叶神经算子的对抗鲁棒性评估
机器学习
2022-04-12 v1 人工智能
摘要
近年来，机器学习（ML）驱动的方法已广泛应用于科学发现领域。其中，傅里叶神经算子（FNO）首个以零样本超分辨率和优越精度模拟湍流，相较于传统偏微分方程（PDE）求解器显著提升了速度。为检验其可信度，我们基于范数有界的数据输入扰动为 FNO 生成对抗样本，首次对科学发现模型的对抗鲁棒性进行了研究。在以 FNO 模型输出与 PDE 求解器输出之间的均方误差为评估指标下，我们的结果表明，模型的鲁棒性随扰动水平增大而迅速退化，尤其在 2D Darcy 和 Navier 等非简单情形下。我们的研究为评估基于 ML 的科学发现模型的对抗鲁棒性提供了敏感性分析工具与评估准则。
引用
@article{arxiv.2204.04259,
title = {Evaluating the Adversarial Robustness for Fourier Neural Operators},
author = {Abolaji D. Adesoji and Pin-Yu Chen},
journal= {arXiv preprint arXiv:2204.04259},
year = {2022}
}
备注
Accepted to Workshop on Socially Responsible Machine Learning (SRML), co-located with ICLR 2022