关于Kolmogorov-Arnold网络鲁棒性的探讨：来自对抗性视角
计算机视觉与模式识别
2025-03-14 v3 密码学与安全
摘要
Kolmogorov-Arnold网络（KANs）最近作为一种新型函数逼近方法涌现出来，展示出在各个领域的惊人潜力。尽管具有理论上的前景，但在对抗性条件下的鲁棒性尚未得到彻底考察。本文我们探讨KANs在对抗性情境下的鲁棒性，特别关注图像分类任务。我们评估了KANs在标准白盒和黑盒对抗攻击下的性能，将其韧性与 established（已建立的）神经网络架构进行比较。我们的实验评估涵盖了多种标准图像分类基准数据集，并考察了全连接和卷积神经网络架构，规模分别为小、中、大三种。我们得出结论，小型和中型KANs（无论是全连接或卷积）在鲁棒性上并不一定比其标准对手更好，但大型KANs则总体上更鲁棒。该对KANs在对抗情境下进行的全面评估，首次对KAN的安全性进行深入分析，为该新兴领域的后续研究奠定了基础。
引用
@article{arxiv.2408.13809,
title = {On the Robustness of Kolmogorov-Arnold Networks: An Adversarial Perspective},
author = {Tal Alter and Raz Lapid and Moshe Sipper},
journal= {arXiv preprint arXiv:2408.13809},
year = {2025}
}
备注
Accepted at TMLR 2025