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

摘要

arXiv:2608.21488v1 Announce Type: new Abstract: While machine learning models have demonstrated strong performance in many domains, these models have shown profound vulnerabilities when they are expos...

the models and attacks machine learning various evasion robustness While

2026-08-25 1 阅读约1分钟阅读 Mohammad Meymani, Roozbeh Razavi-Far

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。

订阅66必读