CNNとCNN-ANFISアーキテクチャにおける敵対的頑健性の比較研究

arXiv:2602.07028v1 アナウンス種別: new 概要: Convolutional Neural Networks (CNNs) は強力な画像分類性能を達成する一方で、解釈性に欠け、敵対的攻撃に対して脆弱である。DCNFISのようなneuro-fuzzyハイブリッドは、解釈性を高めるために全結合CNN分類器（fully connected CNN classifiers）をAdaptive Neuro-Fuzzy Inference Systems (ANFIS)に置き換えるが、その頑健性は十分に検討されていない。本研究では、標準的なCNNs（ConvNet、VGG、ResNet18）とそれらをANFISで拡張したモデルを、MNIST、Fashion-MNIST、CIFAR-10、およびCIFAR-100に対して、勾配ベース（PGD）および勾配フリー（Square）の攻撃下で比較した。結果は、ANFISの統合がクリーン精度を一貫して改善するわけではなく、頑健性に対する影響はアーキテクチャに依存することを示している。ResNet18-ANFISは敵対的頑健性の向上を示す一方で、VGG-ANFISはしばしばベースラインを下回った。これらの知見は、neuro-fuzzyによる拡張が特定のアーキテクチャでは頑健性を高め得るものの、普遍的に有益であるとは限らないことを示唆している。

arXiv:2602.07028v1 Announce Type: new Abstract: Convolutional Neural Networks (CNNs) achieve strong image classification performance but lack interpretability and are vulnerable to adversarial attacks. Neuro-fuzzy hybrids such as DCNFIS replace fully connected CNN classifiers with Adaptive Neuro-Fuzzy Inference Systems (ANFIS) to improve interpretability, yet their robustness remains underexplored. This work compares standard CNNs (ConvNet, VGG, ResNet18) with their ANFIS-augmented counterparts on MNIST, Fashion-MNIST, CIFAR-10, and CIFAR-100 under gradient-based (PGD) and gradient-free (Square) attacks. Results show that ANFIS integration does not consistently improve clean accuracy and has architecture-dependent effects on robustness: ResNet18-ANFIS exhibits improved adversarial robustness, while VGG-ANFIS often underperforms its baseline. These findings suggest that neuro-fuzzy augmentation can enhance robustness in specific architectures but is not universally beneficial.