Holistic Adversarially Robust Pruning
KASTEL Security Research Labs, Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院KASTEL安全研究实验室）
提出HARP方法，通过全局压缩策略和动态正则化，在整体网络层面优化各层剪枝率与参数选择，在99%压缩率下维持模型准确率与对抗鲁棒性。
2024-12-19 cs.LG
Benchmarking Adversarial Robustness of Compressed Deep Learning Models
University of California, Davis（加州大学戴维斯分校）
本文构建跨攻击与模型的基准，研究未经对抗训练模型在剪枝后的对抗鲁棒性，发现压缩保留泛化与推理优势且不降低鲁棒性。
2023-08-16 cs.LG
Model Compression with Adversarial Robustness: A Unified Optimization Framework
University of Rochester（罗切斯特大学）；Texas A&M University（德州农工大学）；Kwai Inc（快手公司）
深度模型压缩已经被广泛研究，并且最先进的方法现在可以以最小的精度损失实现高压缩比。本文从另一个角度研究了模型压缩：除了保持准确性外，我们是否可以在不损害模型对对抗攻击的鲁棒性的情况下压缩模型？以前的文献表明，鲁棒性和紧凑性的目标有时可能会相互矛盾。提出了一种新的逆向训练模型压缩（ATMC）框架。ATMC构造了一个统一的约束优化公式，其中现有的压缩手段（修剪，因式分解，量化）都集成到约束。一个有效的算法，然后开发。一组广泛的实验，表明ATMC获得显着更有利的权衡模型的大小，准确性和鲁棒性，在目前可用的替代品在各种设置。这些守则可在https://github.com/shupenggui/ATMC上公开查阅。
2019-12-28 cs.LG stat.ML
RECOMBINER: Robust and Enhanced Compression with Bayesian Implicit Neural Representations
University of Cambridge（剑桥大学）；University of Science and Technology of China（中国科学技术大学）
针对现有基于贝叶斯隐式神经表征的压缩方法COMBINER的三项局限，提出RECOMBINER方法，通过权重重参数化、可学习位置编码、分块与分层先验优化性能，在多模态实验中效果优异，低比特率低分辨率图像任务优于自编码器编解码器。
2024-03-07 cs.LG
Relationship between Model Compression and Adversarial Robustness: A Review of Current Evidence
FZI Research Center for Information Technology（FZI信息技术研究中心）；Karlsruhe Institute of Technology (KIT)（卡尔斯鲁厄理工学院（KIT））
本文综述了模型压缩与对抗鲁棒性之间关系的研究证据，分析了剪枝、量化等压缩技术对鲁棒性的影响，并针对已有实验中的矛盾结果讨论其可能原因。
2023-11-27 cs.CV cs.LG
Compression Footprints as Security Signals for Model-Poisoning Defense in Federated Learning
Stevens Institute of Technology（史蒂文斯理工学院）
本研究提出将有损压缩的响应作为安全信号，通过压缩足迹区分诚实与恶意更新，并开发CRAFT鲁棒聚合方法，在无需额外通信下有效防御模型投毒攻击。
2026-10-01 cs.LG
Communication Compression for Byzantine Robust Learning: New Efficient Algorithms and Improved Rates
KAUST（阿卜杜拉国王科技大学）；École Polytechnique（巴黎综合理工学院）；MIPT（莫斯科物理技术学院）；MBZUAI（穆罕默德·本·扎耶德人工智能大学）
针对带通信压缩的拜占庭鲁棒分布式学习问题，提出Byz-DASHA-PAGE等三类新方法，在收敛速率、容错能力等方面优于现有最优方法，并通过实验验证理论结论。
2024-03-09 cs.LG math.OC
Robust Support Vector Machines for Imbalanced and Noisy Data via Benders Decomposition
Montana State University（蒙大拿州立大学）；Ferdowsi University of Mashhad（马什哈德费尔多西大学）
本研究提出一种基于Benders分解的新型SVM模型，通过二元变量量化约束违反次数以处理类别不平衡与噪声，实验验证其在F1分数、准确率等方面优于现有模型，并具备多项优良特性。
2025-03-19 cs.LG
Guess First to Enable Better Compression and Adversarial Robustness
University of Virginia（弗吉尼亚大学）；State University of New York at Buffalo（纽约州立大学布法罗分校）；University of Electronic Science and Technology of China（电子科技大学）
机器学习模型通常容易受到对抗性示例的影响，这与人类的鲁棒性形成对比。在本文中，我们试图利用人类识别的机制之一，并提出了一个生物启发的分类框架，其中模型推理是以标签假设为条件。我们为这个框架提供了一类训练目标和一个信息瓶颈正则化器，它利用了标签信息可以在推理过程中被丢弃的优点。该框架能够更好地压缩输入和潜在表示之间的互信息，而不损失学习能力，以易于处理的推理复杂度为代价。更好的压缩和标签信息的消除进一步带来了更好的对抗鲁棒性，而不会损失自然的准确性，这在实验中得到了证明。
2020-01-10 cs.LG stat.ML
Communication Compression for Decentralized Learning with Operator Splitting Methods
Kyoto University（京都大学）；RIKEN AIP（理化学研究所先进智能项目中心）；NTT Communication Science Laboratories（NTT通信科学实验室）
在分散式学习中，使用原始-对偶公式的算子分裂方法（例如，边缘一致性学习（ECL））已被证明对异构数据是鲁棒的，并且近年来引起了极大的关注。然而，在ECL中，节点需要与其邻居交换对偶变量。这些交换会产生大量的通信成本。对于基于Gossip的算法，已经提出了许多压缩方法，但是这些基于Gossip的算法在每个节点所持有的数据分布具有统计异构性时表现不佳。在这项工作中，我们提出了新的框架的压缩方法的ECL，称为通信压缩ECL（C-ECL）。具体来说，我们重新制定的ECL的更新公式，并提出压缩的对偶变量的更新值。我们的实验表明，C-ECL可以实现几乎相同的性能与更少的参数交换比ECL。此外，我们证明了C-ECL是更强大的异构数据比基于Gossip的算法。
2022-05-08 cs.LG
Towards Robust Data Hiding Against (JPEG) Compression: A Pseudo-Differentiable Deep Learning Approach
数据隐藏是用于保护认证和所有权的一种广泛使用的方法。大多数多媒体内容（如图像和视频）都以压缩形式传输或保存。这种有损压缩，如JPEG，可以破坏隐藏的数据，这就提出了鲁棒的数据隐藏的需要。要实现能够抵抗这些压缩的数据隐藏的目标仍然是一个公开的挑战。最近，深度学习在数据隐藏方面取得了巨大成功，而JPEG的不可微性使得训练深度管道以提高对有损压缩的鲁棒性具有挑战性。现有的SOTA方法用执行类似操作的可微模块代替不可微部分。存在多种限制：（a）大量的工程工作;（b）需要压缩攻击的白盒知识;（c）仅适用于像JPEG这样的简单压缩。在这项工作中，我们提出了一个简单而有效的方法来解决所有上述限制一次。除了JPEG，我们的方法已被证明可以提高对各种图像和视频有损压缩算法的鲁棒性。
2020-12-30 cs.CR cs.CV cs.LG
LogHD: Robust Compression of Hyperdimensional Classifiers via Logarithmic Class-Axis Reduction
Dept. of Computer Science University of California, Irvine（计算机科学系 加州大学伊维特分校）；Intel Corporation（英特尔公司）；Computer Science United States Military Academy（计算机科学 美国军事学院）
LogHD通过逻辑类轴缩减实现超维分类器的鲁棒压缩，减少内存消耗并提升抗干扰能力。
2026-02-03 cs.LG
Are Compressed Language Models Less Subgroup Robust?
BCAM Severo Ochoa Strategic Lab on Trustworthy Machine Learning（BCAM塞维罗·奥乔亚可信机器学习战略实验室）；Monash University（莫纳什大学）；University of Sussex（萨塞克斯大学）
本文研究了18种压缩方法对BERT模型少数子群鲁棒性的影响，发现最差组性能取决于模型大小和压缩方法，且压缩不必然恶化子群性能。
2024-03-26 cs.CL cs.LG
Robust Learning with Optimal Error
Stanford（斯坦福大学）
本文提出具有最优误差的鲁棒学习算法，针对不同噪声类型（恶意噪声、恶劣噪声、无偏噪声）分别改进了确定性假设的误差率，解决了开放性问题并填补了理论空白。
2026-04-02 cs.DS cs.LG
Out-of-Distribution Robustness in Deep Learning Compression
University of Pennsylvania（宾夕法尼亚大学）
近年来，深度神经网络（DNN）压缩系统已被证明对于设计许多自然源的源代码非常有效。然而，与许多其他机器学习系统一样，这些压缩器存在分布偏移以及分布外（OOD）数据的漏洞，这降低了它们的实际应用。在本文中，我们开始研究面向对象的鲁棒压缩。考虑到对两种类型的模糊集（Wasserstein球和组移位）的鲁棒性，我们提出了基于两种原则方法的算法和架构框架：一种是使用分布式鲁棒优化（DRO）训练DNN压缩器，另一种是使用结构化潜在代码。我们的研究结果表明，这两种方法相比于标准DNN压缩器都具有鲁棒性，并且使用结构化代码可以优于DRO压缩器。我们观察鲁棒性和失真之间的权衡，并证实这些发现理论上为一类特定的来源。
2021-10-13 cs.AI cs.IT cs.LG
Are Neural Open-Domain Dialog Systems Robust to Speech Recognition Errors in the Dialog History? An Empirical Study
Amazon Alexa AI（亚马逊Alexa人工智能部门）
大型端到端神经开放域聊天机器人正变得越来越受欢迎。然而，关于构建这种聊天机器人的研究通常假设用户输入是在本质上编写的，并且不清楚这些聊天机器人是否会与自动语音识别（ASR）模型无缝集成以服务于语音模态。我们的目标是通过实证研究对话历史中各种类型的合成和实际ASR假设对TransferTransfo的影响来关注这个重要问题，TransferTransfo是NeurIPS ConvAI2挑战赛中最先进的基于生成预训练Transformer（GPT）的神经开放域对话系统。我们观察到，在书面数据上训练的TransferTransfo对在推理时间期间引入对话历史的假设非常敏感。作为基线缓解策略，我们在训练过程中将合成ASR假设引入对话历史，并观察到边际改进，这表明需要进一步研究技术，使端到端开放域聊天机器人具有完全的语音鲁棒性。据我们所知，这是第一项研究，以评估合成和实际的ASR假设的影响，一个国家的最先进的神经开放域对话系统，我们希望它促进语音鲁棒性作为评价标准，在开放域对话。
2020-08-18 cs.AI cs.CL cs.LG
Robust Basis Spline Decoupling for the Compression of Transformer Models
NUMA, Department of Computer Science, KU Leuven（NUMA计算机科学系，鲁文大学）
本文提出了一种基于B-样条的解耦框架，通过利用B-样条的局部支持和灵活的光滑性控制，改进了传统张量解耦方法，提高了数值稳定性和表达能力，实验表明该方法在保持竞争力精度的同时实现了显著的参数减少。
2026-05-11 cs.AI cs.LG
Near-optimal Sample Complexity Bounds for Robust Learning of Gaussians Mixtures via Compression Schemes
McMaster University（麦克马斯特大学）；Vector Institute（向量研究所）；University of Waterloo（滑铁卢大学）；University of British Columbia（不列颠哥伦比亚大学）；McGill University（麦吉尔大学）
我们证明，$\tildeΘ(k d^2 / \varepsilon^2)$样本是必要的和充分的学习混合物的$k$高斯在$\mathbb{R}^d$，错误$\varepsilon$的总变化距离。这改进了该问题的已知上界和下界。对于轴对齐高斯的混合物，我们表明，$\tilde{O}(k d / \varepsilon^2)$样本就足够了，匹配一个已知的下限。此外，这些结果也适用于不可知学习/鲁棒估计设置，其中目标分布仅近似为高斯混合。上界显示使用一种新的技术，分布学习的基础上的概念“压缩。任何允许这种压缩方案的分布类别也可以用很少的样本来学习。此外，如果一类分布具有这样的压缩方案，那么这些分布的乘积和混合类也具有这样的压缩方案。我们主要结果的核心是证明了$\mathbb{R}^d$中的高斯类允许一个小尺寸的压缩方案。
2020-07-21 cs.LG math.ST stat.TH
On Continuity of Robust and Accurate Classifiers
Amirkabir University of Technology（阿米尔卡比尔理工大学）
本文提出鲁棒且准确分类器的矛盾源于连续性，而非鲁棒性与准确性本身，并论证连续假设难以学习最优鲁棒假设，建议对不同区域训练不同连续假设，以解释对抗样本现象。
2025-05-25 cs.AI cs.LG
Finite Scalar Quantization Enables Redundant and Transmission-Robust Neural Audio Compression at Low Bit-rates
本文提出基于有限标量量化（FSQ）的神经音频编解码器NeuCodec，通过内置冗余设计实现低比特率下对有噪信道传输的鲁棒性，实验证明其比特级抗扰动能力优于RVQ。
2025-09-12 cs.LG cs.SD
Adversarial Risk Bounds for Neural Networks through Sparsity based Compression
Institute for Theoretical Information Technology（理论信息技术研究所）；RWTH Aachen University（亚琛工业大学）
神经网络已经被证明容易受到其输入的微小对抗性扰动的影响，特别是对于在$\ell_\infty$攻击下的高维数据。为了解决这个问题，已经采用了对抗训练等技术来获得在训练集上鲁棒的模型。然而，此类模型对对抗性扰动的鲁棒性可能无法推广到看不见的数据。为了研究鲁棒性如何推广，最近的工作假设输入具有有界$\ell_2$ -范数，以便在没有显式维度依赖的情况下约束$\ell_\infty$攻击的对抗风险。在这项工作中，我们专注于$\ell_\infty$攻击$\ell_\infty$有界的输入和证明基于边缘的界限。具体来说，我们使用基于压缩的方法，该方法依赖于有效压缩可调参数集，而不会扭曲对抗风险。为了实现这一点，我们将有效稀疏性和有效联合稀疏性的概念应用于神经网络的权重矩阵。这导致边界不显式依赖于输入维度，也不依赖于类的数量。我们的研究结果表明，具有近似稀疏权矩阵的神经网络不仅具有增强的鲁棒性，而且具有更好的泛化能力。
2019-06-03 cs.LG stat.ML
Are Visual Recognition Models Robust to Image Compression?
Meta AI；RPTU Kaiserslautern-Landau（凯泽斯劳滕-兰道工业大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Inria（法国国家信息与自动化研究所）
本文研究了图像压缩对图像分类、目标检测和语义分割等视觉识别任务的影响，发现强压缩会显著降低性能，但通过在压缩图像上微调模型可恢复大部分因压缩伪影导致的性能损失。
2023-04-10 cs.AI cs.CV cs.LG
Data Diversity, Not Frequency Invariance: A Controlled and Self-Audited Study of Compression-Robust Deepfake Detection
ADA University（ADA大学）；MegaSec AI Company（MegaSec人工智能公司）
该研究通过受控实验发现，抗压缩深度伪造检测的关键是数据多样性而非频率不变性，普通EfficientNet-B0优于CAFRL，对抗分支无增益，需匹配训练配方并利用编解码器多样性提升鲁棒性。
2026-09-01 cs.CV cs.LG cs.MM
Robust Partially-Compressed Least-Squares
University of Colorado, Boulder（科罗拉多大学博尔德分校）；IBM T.J. Watson Research Center（IBM托马斯·J·沃森研究中心）
随机矩阵压缩技术，如Johnson-Lindenstrauss变换，已经成为有效解决大规模问题的有效和实用的方法。然而，随着对计算效率的关注，放弃解决方案的质量和准确性成为权衡。在本文中，我们研究压缩的最小二乘问题，并提出新的模型和算法，解决压缩引入的误差和噪声的问题。在保持计算效率的同时，我们的模型提供了更准确的鲁棒解决方案-相对于未压缩的最小二乘解决方案-比经典的压缩变量。我们介绍了强大的优化工具，连同一种形式的部分压缩，以提高压缩最小二乘求解器的误差时间权衡。我们开发了一个有效的解决方案算法，我们的鲁棒部分压缩（RPC）模型的基础上减少到一维搜索。我们还得到了部分压缩最小二乘解的第一近似误差界。比较众多的替代品的实证结果表明，强大的和部分压缩的解决方案是有效地绝缘对侵略性的随机变换。
2015-10-16 cs.LG stat.ML
Blur, Noise, and Compression Robust Generative Adversarial Networks
The University of Tokyo（东京大学）；RIKEN（理化学研究所）
生成对抗网络（GANs）由于其复制图像的能力而受到了相当大的关注。然而，它们可以忠实地重建训练图像，尽管图像以模糊，噪声和压缩的形式退化，生成类似的退化图像。为了解决这个问题，最近提出的噪声鲁棒性GAN（NR-GAN）提供了一个部分的解决方案，通过展示学习一个干净的图像生成器直接从噪声图像使用两个生成器模型，包括图像和噪声发生器的能力。然而，其应用仅限于噪声，由于其加性和可逆特性，噪声相对容易分解，并且其应用于不可逆图像退化，以模糊，压缩和所有组合的形式，仍然是一个挑战。为了解决这些问题，我们提出了模糊、噪声和压缩鲁棒的GAN（BNCR-GAN），它可以直接从退化图像中学习干净的图像生成器，而不需要知道退化参数（例如，模糊核类型、噪声量或质量因子值）。受NR-GAN的启发，BNCR-GAN使用由图像，模糊核，噪声和质量因子生成器组成的多生成器模型。然而，与NR-GAN相反，为了解决不可逆特性，我们引入了掩蔽架构，在降级之前和之后使用旁路以数据驱动的方式调整降级强度值。此外，为了抑制模糊，噪声和压缩的组合所造成的不确定性，我们引入了自适应一致性损失，根据退化强度在不可逆退化过程之间施加一致性。我们通过对CIFAR-10的大规模比较研究和对FFHQ的一般性分析，证明了BNCR-GAN的有效性。此外，我们证明了BNCR-GAN在图像复原中的适用性。
2021-06-23 cs.CV cs.LG eess.IV
Robustness in Compressed Neural Networks for Object Detection
Multimedia Systems Department（多媒体系统系）；Gdańsk University of Technology（格但斯克工业大学）；Electronics, Telecommunications and Informatics Faculty（电子、电信与信息学院）；Polish National Centre for Research and Development (NCBR)（波兰国家研究与发展中心）
模型压缩技术允许显著降低与通过深度神经网络进行的数据处理相关联的计算成本，而平均精度仅略有降低。同时，减小模型大小可能对噪声情况或属于较不频繁类别的对象有很大影响。从模型安全的角度来看，这是一个至关重要的问题，特别是对于自动驾驶设置中的目标检测，这是本工作中考虑的。该论文表明，压缩模型对不同失真类型的敏感性是细微差别的，并且一些损坏受到压缩方法的严重影响（即，加性噪声），而其他（模糊效果）仅受到轻微影响。提高模型鲁棒性的一个常见方法是使用数据增强，这被证实对模型的鲁棒性有积极影响，对于高度压缩的模型也是如此。进一步表明，虽然数据不平衡方法仅略微提高了基线模型（无压缩）的准确性，但在结构化修剪的较高压缩率下，影响更为显著。最后，处理数据不平衡的方法带来了修剪模型的最差检测类的准确性显着提高。
2021-09-27 cs.CV cs.LG
Sparsity Meets Robustness: Channel Pruning for the Feynman-Kac Formalism Principled Robust Deep Neural Nets
University of California, Irvine（加州大学欧文分校）；University of California, Los Angeles（加州大学洛杉矶分校）
深度神经网络（DNN）压缩对于适应移动设备至关重要。虽然存在许多成功的算法来压缩自然训练的DNN，但为健壮训练的DNN开发高效和稳定的压缩算法仍然是一个很大的问题。在本文中，我们专注于高效DNN压缩算法和稀疏神经架构的协同设计，以实现鲁棒和准确的深度学习。这样的协同设计使我们能够推进同时容纳稀疏性和鲁棒性的目标。考虑到这一目标，我们利用基于松弛增广拉格朗日的算法来修剪结构化和非结构化级别上的对抗训练DNN的权重。使用Feynman-Kac形式主义原则的鲁棒和稀疏DNN，我们可以将对抗训练的ResNet 20的信道稀疏度至少提高一倍用于CIFAR 10分类，同时将自然准确率提高$8.69$ \%，并将IFGSM攻击的基准$20$迭代下的鲁棒准确率提高$5.42$ \%。代码可在\url{https://github.com/BaoWangMath/rvsm-rgsm-admm}上获得。
2020-03-02 cs.AI cs.LG stat.ML
Exploration-Exploitation Tradeoff in Universal Lossy Compression
Viterbi Faculty of Electrical and Computer Engineering, Technion – Israel Institute of Technology（维特比电气工程与计算机科学学院，技术学院–以色列理工学院）；Department of Electrical Engineering-Systems, Tel Aviv University（电气工程-系统系，特拉维夫大学）
将通用有损压缩的序列模式重构为多臂老虎机问题，研究探索与利用的权衡，提出适用于任意块长度的鲁棒成本导向MAB算法以克服现有方案的局限性。
2025-06-25 cs.IT cs.LG math.IT
Lossy Compression for Robust Unsupervised Time-Series Anomaly Detection
Advanced Center for Electrical and Electronic Engineering（先进电子电气工程中心）；University of Chile（智利大学）
提出了一种新的用于异常检测的有损因果时间卷积神经网络自编码器。我们的框架使用率失真损失和熵瓶颈来学习任务的压缩潜在表示。使用率失真损失的主要思想是引入表示的灵活性，忽略或变得鲁棒的不太可能的事件与独特的模式，如异常。这些异常表现为独特的失真特征，可以在测试条件下准确检测。这种新的架构允许我们训练一个完全无监督的模型，该模型在从失真分数检测异常时具有很高的准确性，尽管是用一些未标记的异常数据进行训练的。这种设置与许多最先进的无监督方法形成鲜明对比，这些方法要求模型仅在“正常数据”上进行训练。我们认为，这部分违反了异常检测的无监督训练的概念，因为模型使用了一个明智的决策，从异常中选择正常的训练。此外，有证据表明，它也影响模型的泛化能力。我们证明了，在只对正常数据进行训练的范例中取得成功的模型在异常数据注入训练时无法保持稳健。相比之下，我们的基于压缩的方法收敛到一个强大的表示，容忍一些异常失真。通过使用率失真损失的模型实现的鲁棒表示可以用于更现实的无监督异常检测方案中。
2022-12-05 cs.IT cs.LG math.IT
The optimal transport paradigm enables data compression in data-driven robust control
University of Oxford（牛津大学）
一种新的数据使能控制技术，用于不确定线性时不变系统，最近由Coulson等人构思，建立在从大数据集提取的输入/输出对上的控制器的直接优化上。我们采用了一种基于最优传输的方法，将这样大的数据集压缩到一个较小的代表性行为的合成数据集，旨在减轻控制器的计算负担，以实现在线。具体地，通过最小化原始数据集和压缩数据集上支持的原子分布之间的Wasserstein距离来确定合成数据。我们发现，使用压缩数据计算的分布式鲁棒控制法享有相同类型的性能保证的原始数据集，在扩大模糊集的价格由一个容易计算和良好的数量。数值模拟证实，与合成数据的控制性能是与原始数据获得的，但所需的计算量显着减少。
2020-09-27 cs.LG cs.SY eess.SY
FedREP: A Byzantine-Robust, Communication-Efficient and Privacy-Preserving Framework for Federated Learning
Nanjing University（南京大学）
联邦学习（FL）是近年来的研究热点，其中拜占庭鲁棒性、通信效率和隐私保护是FL的三个重要方面。然而，这三个方面之间的紧张关系使得很难同时考虑到所有这些方面。鉴于这一挑战，我们从理论上分析了通信压缩方法应满足的条件，以兼容现有的拜占庭鲁棒方法和隐私保护方法。受分析结果的启发，我们提出了一种新的通信压缩方法，称为共识稀疏化（ConSpar）。据我们所知，ConSpar是第一种通信压缩方法，旨在兼容拜占庭鲁棒方法和隐私保护方法。在ConSpar的基础上，我们进一步提出了一个新的FL框架FedREP，它是拜占庭式的鲁棒性，通信效率和隐私保护。我们从理论上证明了FedREP的拜占庭鲁棒性和收敛性。实证结果表明，FedREP可以显着优于通信效率的隐私保护基线。此外，与拜占庭强大的通信效率基线相比，FedREP可以实现相当的准确性，并具有隐私保护的额外优势。
2023-03-09 cs.CR cs.DC cs.LG
Fast Test-Time Refinement for Robust Learned Image Compression
University of Macau（澳门大学）；Nanyang Technological University（南洋理工大学）
本文针对学习型图像压缩的对抗脆弱性问题，揭示其非对称对抗轨迹特性，提出快速测试时精化框架，经多系统多攻击评估验证了该框架的鲁棒性与实用性。
2026-08-18 cs.AI cs.CV cs.LG
Feature compression is the root cause of adversarial fragility in neural network classifiers
Department of Electrical and Computer Engineering（电气与计算机工程系）；University of Iowa（爱荷华大学）
本文从矩阵理论角度解释了神经网络分类器的对抗脆弱性，证明其对抗鲁棒性随输入维度增加而退化，仅达最优分类器的 $1/\sqrt{d}$，且与基于信息论的特征压缩解释一致。
2025-11-03 cs.CR cs.IT cs.LG
Compression Robust Synthetic Speech Detection Using Patched Spectrogram Transformer
Purdue University（普渡大学）；Politecnico di Milano（米兰理工大学）
本文提出PS3DT检测器，将语音转为梅尔频谱图并用Transformer分块处理，在ASVspoof2019和In-the-Wild数据集上表现出优于现有方法的泛化能力与压缩鲁棒性。
2024-02-22 cs.CV cs.LG cs.SD
