相位扰动：分析复值神经网络的对抗鲁棒性
机器学习
2026-02-09 v1 人工智能
摘要
复值神经网络（complex-valued neural networks，CVNNs）正日益流行，应用于各种场景。为了安全地实际应用CVNNs，分析其对离群值的鲁棒性至关重要。众所周知，一种理解深度神经网络行为的技术是研究其在对抗攻击下的行为，这类攻击可视为最坏情况下的最小扰动。我们设计了相位攻击（Phase Attacks），即针对复值输入相位信息的特定攻击。此外，我们推导出复值版本的常用对抗攻击方法。我们表明，在某些情境下，CVNNs的鲁棒性优于实值神经网络（RVNNs），而两者都对相位变化极其敏感，相位攻击会使模型性能下降得比同样强度的常规攻击更严重，这些常规攻击同时针对相位和幅度。
引用
@article{arxiv.2602.06577,
title = {Perturbing the Phase: Analyzing Adversarial Robustness of Complex-Valued Neural Networks},
author = {Florian Eilers and Christof Duhme and Xiaoyi Jiang},
journal= {arXiv preprint arXiv:2602.06577},
year = {2026}
}