.png){kind=icon}
返回
FAFA: A frequency-aware adversarial robust fairness algorithm
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neunet.2026.109496.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着深度神经网络的广泛应用，对抗鲁棒性的研究已成为热点之一，尤其是对抗鲁棒性中的公平性问题已引起广泛关注。不同类别间对抗鲁棒性的显著差异会降低整体性能，因为防御机制的有效性受限于鲁棒性最低的类别（即所谓“最差类别”），这被称为“木桶效应”现象。现有的大部分鲁棒公平性算法基于特定实验指标设计，忽视了分析鲁棒公平性的内在原因，也未考虑易处理类别与难处理类别之间鲁棒贡献的权衡，同时忽略了难处理类别与其相似类别间的鲁棒平衡。上述问题实际上限制了鲁棒公平性的进一步改进。因此，本文提出了一种频域感知对抗鲁棒公平性算法（FAFA，下文简称），从频域视角探索公平性问题的内在原因。并引入了一种基于频率分量贡献的频域感知公平对抗训练方法（FAAT），为不同类别分配不同的损失权重和扰动约束以增强难处理类别的鲁棒性。此外，实现了频域感知公平微调算法（FAFT），通过在难处理类别及其相似类别间重新分配特征，实现更均衡的鲁棒性分布并提升最差类别的性能。在CIFAR-10、CIFAR-100和STL-10数据集上进行了大量实验，结果表明，所提方法显著增强了最差类别的鲁棒性，在CIFAR-10数据集上使用ResNet18模型，在A3攻击下最差类别的准确率达到34.76%，相比现有方法平均提升约5%。同时，整体鲁棒性达到48.47%，基于TRADES的综合指标rho_rob达到0.55。
Keyword:
Deep learning models
Adversarial robustness
Fairness algorithms
