Restricted Hopfield Networks are Robust to Adversarial Attack
Notice bibliographique
Résumé
The Restricted Hopfield Network (RHN) builds upon the classical Hopfield Neural Network (HNN) by introducing multiple hidden layers and employing the Subspace Rotation Algorithm (SRA) for training. These advancements address the limitations of traditional HNNs, such as limited storage capacity and vulnerability to noise and adversarial perturbations. RHNs with orthogonal weight matrices trained by SRA can form stable attraction basins, enhancing their capacity and adversarial resilience. This paper systematically evaluates RHN against Dense Associative Memory (DAM), Predictive Coding Network (PCN), and Multilayer Perceptron (MLP) in terms of adversarial robustness and retrieval performance using incomplete patterns. Experiments using alphabet and character datasets demonstrate that RHN consistently outperforms the other models across a variety of adversarial scenarios, including Fast Gradient Sign Method (FGSM), Basic Iterative Method (BIM), Projected Gradient Descent (PGD), and Gaussian Noise (GN) attacks. The results show that RHNs trained with SRA not only enhance model capacity but also ensure high retrieval accuracy under adversarial conditions. These findings highlight the robustness and versatility of RHN as an effective solution for adversarially resilient memory systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».