MiniFool -- 基于物理约束的深度神经网络中最小化式对抗攻击
机器学习
2025-11-04 v1 高能天体物理现象
天体物理仪器与方法
高能物理 - 实验
数据分析、统计与概率
摘要
本文提出一种新算法MiniFool，实现基于物理启发的对抗攻击，用于测试神经网络在粒子与天体粒子物理中的分类任务。虽然我们最初为在IceCube天体 neutrinos 探测器中搜索天体tau neutrinos而开发了该算法，但我们将其应用于来自其他科学领域的数据，展示了其广泛适用性。本文将算法应用于著名的MNIST数据集，并进一步应用于CMS实验在大型强子对撞机 (LHC) 上的开放数据。该算法基于最小化一个成本函数，该成本函数将基于的检验统计量与与所需目标得分的偏差相结合。检验统计量量化了对数据施加的扰动基于实验不确定性的概率。在我们研究的应用中，我们发现正确分类事件与错误分类事件的翻转概率不同。当测试分类变化作为攻击参数（缩放实验不确定性）的函数时，可量化神经网络决策的鲁棒性。此外，这允许测试未标记实验数据的分类鲁棒性。
引用
@article{arxiv.2511.01352,
title = {MiniFool -- Physics-Constraint-Aware Minimizer-Based Adversarial Attacks in Deep Neural Networks},
author = {Lucie Flek and Oliver Janik and Philipp Alexander Jung and Akbar Karimi and Timo Saala and Alexander Schmidt and Matthias Schott and Philipp Soldin and Matthias Thiesmeyer and Christopher Wiebusch and Ulrich Willemsen},
journal= {arXiv preprint arXiv:2511.01352},
year = {2025}
}
备注
Submitted to Computing and Software for Big Science