Fuzzy ARTMAP 中的流式对抗鲁棒性：机制对齐评估、渐进式训练与可解释诊断
机器学习
2026-05-11 v1
摘要
对抗鲁棒性在离线深度网络中已被广泛研究，但对严格的单遍流式神经学习器知之甚少。本文研究了 Fuzzy ARTMAP 中的对抗鲁棒性，这是一种基于类别竞争、互补编码、匹配跟踪和无重放原型更新的自适应共振理论架构。我们引入了 WB-Softmax，一种与 ARTMAP 的类别竞争和映射场预测机制对齐的可微白盒攻击代理，并形式化了一种要求在最终部署模型上评估鲁棒性的流式评估原则。在四个图像基准上，WB-Softmax 对原始 Fuzzy ARTMAP 模型实现了 89-100% 的攻击成功率。我们表明，防御排名在不同协议间可能发生逆转：离线对抗训练在迁移攻击下可能显得强大，但在自适应白盒评估下却会崩溃，而渐进式两阶段选择性训练则提供了最强的整体无重放鲁棒性。我们进一步表明，ART 的显式类别几何能够对分离崩溃和匹配分数倒置进行可解释诊断。这些结果为流式基于原型的学习器中的对抗鲁棒性提供了一个机制对齐、协议感知的框架。
引用
@article{arxiv.2605.06902,
title = {Streaming Adversarial Robustness in Fuzzy ARTMAP: Mechanism-Aligned Evaluation, Progressive Training, and Interpretable Diagnostics},
author = {Shane Cairns and Leonardo Enzo Brito da Silva and Sasha Petrenko and Donald C. Wunsch and Jian Liu},
journal= {arXiv preprint arXiv:2605.06902},
year = {2026}
}
备注
35 pages, 3 figures, 11 tables. Preprint submitted to Neural Networks