NERO-Net：用于设计对抗鲁棒CNN的神经进化方法
神经与进化计算
2026-03-27 v1 人工智能
机器学习
摘要
神经进化自动化了神经网络设计的复杂任务，但常常忽略进化模型固有的对抗脆弱性，这是其在安全关键场景应用中的障碍。虽然鲁棒训练方法已受到广泛关注，但展现内在鲁棒性的架构设计仍 largely 未被探索。在本文中，我们提出了NERO-Net，一种用于设计更能抵抗对抗攻击的卷积神经网络的神经进化方法。我们的搜索策略通过避免进化循环中的对抗训练来隔离架构对鲁棒性的影响。因此，我们的适应度函数促进即使使用标准（非鲁棒）方法训练也能在对抗攻击后获得高准确率且不牺牲干净样本准确率的候选者。我们在CIFAR-10上评估NERO-Net，特别关注-鲁棒性。特别是，进化搜索中最优个体在搜索阶段使用FGSM作为鲁棒性的高效估计器时取得了33%的对抗准确率，同时保持了87%的干净准确率。对该个体进一步的标准训练将这些指标提升至47%对抗准确率和93%干净准确率，表明了内在的架构鲁棒性。对抗训练将模型整体准确率提升至对AutoAttack的40%。
引用
@article{arxiv.2603.25517,
title = {NERO-Net: A Neuroevolutionary Approach for the Design of Adversarially Robust CNNs},
author = {Inês Valentim and Nuno Antunes and Nuno Lourenço},
journal= {arXiv preprint arXiv:2603.25517},
year = {2026}
}