.png){kind=icon}
返回
Complex-valued amplitude-phase interference modeling for adversarially robust classification
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.109331.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
深度神经网络在计算机视觉及相关任务中取得了显著进展。然而，其对即使是微妙的对抗性扰动的敏感性仍然限制了其在安全关键应用中的部署。尽管对抗训练可以显著提高模型的鲁棒性，但现有的分类头主要基于softmax及其基于边界的角变体。此类决策形式受限于固定的线性或角空间，难以捕捉更灵活的决策边界。为此，我们提出了一种复数值幅值-相位干涉方法（CAPI），其灵感来自量子干涉中的概率幅叠加思想。通过采用多分支复振幅形式，其中相位差控制干涉的增强或减弱，振幅调节干涉强度，CAPI在决策阶段引入了结构化约束，从而提高了模型对对抗扰动的鲁棒性。在基准数据集上的实验结果表明，CAPI在FGSM、BIM、MIM、PGD和AA攻击下表现出鲁棒的分类性能，验证了其在对抗扰动下的有效性。
Keyword:
Complex-valued representation
Amplitude-phase interference
Adversarial training
Robust classification
