arXiv cs.AI· Rahul Kumar Yadav, Tunir Ghosh, Sudhendu Ahir, Parthe Pandit, Arjun Bhagoji·· 11 小时前AI 评分31
核方法模型的对抗鲁棒性全面分析
Adversarial Robustness of Kernel Machines: A Comprehensive Analysis
AI 导读
研究通过白盒与黑盒逃逸攻击，对二分类和多分类任务中的核方法模型、随机特征分类器及递归特征机（Recursive Feature Machines）进行了全面的对抗鲁棒性实证评估，并提出一种核方法近似对抗训练算法。在图像和表格数据集上的实验表明，核方法模型原生鲁棒性强于神经网络，面对对抗扰动时性能下降更平缓。
正文 · AI 翻译
摘要：核机器是机器学习中一类重要的模型。然而，现代核机器对对抗样本的鲁棒性如何，尚未得到全面研究。本文通过白盒和黑盒规避攻击，对二分类和多分类任务中基于核的模型的对抗鲁棒性进行了全面的实证研究。我们评估了核机器、随机特征分类器以及相对较新的递归特征机器的原生鲁棒性。此外，我们提供了一种核机器近似对抗训练的算法。我们在图像和表格数据集分类任务上的实验强烈表明，核机器原生比神经网络更鲁棒，即它们的性能在面对对抗扰动时下降得更平缓。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.07474 [cs.LG] |
| （或 arXiv:2611.07474v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07474 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Rahul Yadav [查看邮件]
[v1]
2026年11月5日星期四 05:33:09 UTC（6,959 KB）
来源：arXiv cs.AI · arxiv.org