Demystifying Causal Features on Adversarial Examples and Causal Inoculation for Robust Network by Adversarial Instrumental Variable Regression
对抗工具变量回归识别因果特征并增强网络鲁棒性AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用工具变量回归估计因果关系并讨论未知混杂，支持因果推断，其神经网络应用不构成经济网络干扰研究。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
对抗工具变量回归识别因果特征并增强网络鲁棒性
- 研究问题
- 如何从因果视角解释对抗训练网络的脆弱性，并用工具变量回归识别与正确预测相关的特征，进而改善网络的对抗鲁棒性？
- 方法与思路
- 作者提出对抗工具变量回归，通过特征估计模型与最坏情形反事实测试函数的零和优化博弈寻找因果特征，并将其引入防御网络。
- 材料陈述的贡献
- 摘要称，估计特征与对抗环境中的正确预测高度相关，反事实呈现偏离正确预测的极端特征，并提出将因果特征注入网络的办法。
- 阅读关注点
- 核对工具变量的构造和有效性、未知混杂如何被处理、零和目标对应何种因果参数，以及鲁棒性比较的攻击设置与评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审和期刊接收未核实；摘要未提供因果识别条件、攻击强度或数值结果，特征相关性本身不足以验证因果解释。
原文摘要
The origin of adversarial examples is still inexplicable in research fields, and it arouses arguments from various viewpoints, albeit comprehensive investigations. In this paper, we propose a way of delving into the unexpected vulnerability in adversarially trained networks from a causal perspective, namely adversarial instrumental variable (IV) regression. By deploying it, we estimate the causal relation of adversarial prediction under an unbiased environment dissociated from unknown confounders. Our approach aims to demystify inherent causal features on adversarial examples by leveraging a zero-sum optimization game between a casual feature estimator (i.e., hypothesis model) and worst-case counterfactuals (i.e., test function) disturbing to find causal features. Through extensive analyses, we demonstrate that the estimated causal features are highly related to the correct prediction for adversarial robustness, and the counterfactuals exhibit extreme features significantly deviating from the correct prediction. In addition, we present how to effectively inoculate CAusal FEatures (CAFE) into defense networks for improving adversarial robustness.