KAN-Robust-Bench：评估 Kolmogorov-Arnold 网络鲁棒性的基准

arXiv:2608.21488v1 公告类型：新 摘要：虽然机器学习模型在许多领域表现出了强大的性能，但这些模型在面临对抗性威胁时却表现出了严重的漏洞。虽然对抗性攻击分为不同的类别，但研究中最突出的类别是逃避。在逃避攻击中，对手会生成样本的扰动版本，而人眼可能无法观察到这些样本。这些样本通常可以高置信度地欺骗机器学习模型。这种现象对机器学习模型构成了严重的安全违规。在本文中，我们研究了各种 Kolmogorov-Arnold 网络架构针对强规避攻击的经过认证和实证的鲁棒性。首先，我们提供随机平滑和区间界限传播的数学基础，并报告随机平滑下模型的 $\ell_2$ 认证的鲁棒性。之后，我们系统地评估了各种防御和不防御的 KAN 模型在 FGSM、PGD 和 C&W 攻击下的鲁棒性，以找出最佳的防御策略和架构。