TabularBench：真实应用场景下表格深度学习的对抗鲁棒性基准测试
机器学习
2024-08-15 v1
摘要
虽然计算机视觉中的对抗鲁棒性是一个成熟的研究领域，但很少有研究者针对表格深度学习的对抗规避攻击进行研究，更少有人研究鲁棒化机制和可靠的防御方法。我们假设，表格对抗攻击研究的滞后部分是由于缺乏标准化的基准测试。为了填补这一空白，我们提出了TabularBench——第一个针对表格深度学习分类模型鲁棒性的综合基准测试。我们使用CAA（一种最近被证明对表格模型最有效的攻击，由梯度攻击和搜索攻击组成的集成）评估了对抗鲁棒性。除了我们欢迎新模型和防御方法提交的开放基准测试（https://github.com/serval-uni-lu/tabularbench）之外，我们还实现了7种受计算机视觉最先进防御方法启发的鲁棒化机制，并在金融、医疗和安全五个关键场景中对200多个模型进行了最大规模的鲁棒表格深度学习基准测试。我们为每个用例策划了真实数据集，并补充了数十万条逼真的合成输入，在有和没有数据增强的情况下训练和评估了我们的模型。我们开源了我们的库，提供对所有预训练鲁棒表格模型的API访问，以及最大规模的真实和合成表格输入数据集。最后，我们分析了各种防御方法对鲁棒性的影响，并提供了设计新防御和鲁棒化机制的可操作见解。
引用
@article{arxiv.2408.07579,
title = {TabularBench: Benchmarking Adversarial Robustness for Tabular Deep Learning in Real-world Use-cases},
author = {Thibault Simonetto and Salah Ghamizi and Maxime Cordy},
journal= {arXiv preprint arXiv:2408.07579},
year = {2024}
}