探索 Kolmogorov-Arnold 网络间的对抗可迁移性
计算机视觉与模式识别
2025-04-24 v2
摘要
Kolmogorov-Arnold 网络 (KANs) 已成为一种变革性的模型范式，对各个领域产生了重大影响。然而，它们的对抗鲁棒性仍然较少被探索，尤其是在不同的 KAN 架构之间。为了探索这一关键的安全问题，我们进行了分析并发现，由于对 KAN 的特定基函数过拟合，它们在不同 KAN 之间的对抗可迁移性较差。为了应对这一挑战，我们提出了 AdvKAN，这是首个针对 KAN 的迁移攻击方法。AdvKAN 集成了两个关键组件：1) 突破防御代理模型 (BDSM)，采用突破防御训练策略以缓解对 KAN 特定结构的过拟合；2) 全局-局部交互 (GLI) 技术，促进各层级之间对抗梯度的充分交互，进一步平滑 KAN 的损失曲面。两者协同工作以增强不同 KAN 之间迁移攻击的强度。在各种 KAN 和数据集上的广泛实验结果证明了 AdvKAN 的有效性，它具有显著优越的攻击能力，并深刻揭示了 KAN 的脆弱性。代码将在论文被接收后发布。
引用
@article{arxiv.2503.06276,
title = {Exploring Adversarial Transferability between Kolmogorov-arnold Networks},
author = {Songping Wang and Xinquan Yue and Yueming Lyu and Caifeng Shan},
journal= {arXiv preprint arXiv:2503.06276},
year = {2025}
}
备注
After the submission of the paper, we realized that the study still has room for expansion. In order to make the research findings more profound and comprehensive, we have decided to withdraw the paper so that we can conduct further research and expansion