A Two-Phase Evolutionary Framework to Boost Adversarial Robustness in Neural Networks
Notice bibliographique
Résumé
Deep neural networks (DNNs) achieve remarkable performance in machine learning, but are vulnerable to adversarial attacks, such as those generated by Fast Gradient Sign Method (FGSM) and Projected Gradient Descent (PGD), which induce misclassifications, endangering safety-critical applications like autonomous driving, medical diagnostics, and cybersecurity. This study proposes a two-phase training framework to enhance adversarial robustness without sacrificing accuracy. The initial phase establishes baseline performance, while the adaptive phase iteratively evolves the dataset by incorporating adversarial synthetic data generated via FGSM and PGD, targeting model vulnerabilities through cycles of training, evaluation, and dataset augmentation. Evaluated on the Modified National Institute of Standards and Technology database (MNIST, <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{1 0, 0 0 0}$</tex> samples), the Canadian Institute For Advanced Research 10-class dataset (CIFAR-10, <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{1 0, 0 0 0}$</tex> samples), BrainTumor-7K (7,023 MRIs), and the Phishing Legitimate Dataset (Phishing, <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$\mathbf{1 0, 0 0 0}$</tex> samples), this framework yields significant robustness gains against FGSM and PGD attacks: 73.73 % on MNIST <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$(92.71 \pm 0.32 \%$</tex> vs. <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$18.98 \pm 0.45 \%$</tex> adversarial accuracy), 7.17 % on CIFAR-10 (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$41.04 \pm 0.37 \%$</tex> vs. <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$33.87 \pm 0.41 \%$</tex>), 73.22 % on BrainTumor-7K (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$89.60 \pm 0.33 \%$</tex> vs. <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$16.38 \pm 0.42 \%$</tex>), and 20.85 % on Phishing (<tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$94.10 \pm 0.22 \%$</tex> vs. <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$73.25 \pm 0.38 \%$</tex>). Furthermore, clean accuracy improves (e.g., 0.20 % MNIST, 3.12 % CIFAR-10), challenging the robustness-accuracy trade-off. This framework provides a scalable and efficient solution for resilient AI, preserving innovative methods for future intellectual property protection in cybersecurity and medical imaging applications
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 | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».