迈向跨连续威胁级别的全能鲁棒性

对抗鲁棒模型往往会对特定攻击预算过拟合，因此在多样且动态的对抗环境中需要多个专门模型；随着威胁空间不断扩大，这种策略从根本上变得难以实现。这引出了一个悬而未决的挑战：我们能否在单一模型中实现跨连续威胁级别的强鲁棒性？我们提出 Threat Conditional Network (TCN)，其建立在一种表示分解框架之上，将表示学习分解为对威胁不变的共享主干网络和轻量级的威胁条件适配器。TCN 通过基于傅里叶的嵌入和逐通道仿射调制，根据扰动级别对单一模型进行条件化，并在扰动预算的分布上进行训练，使其在推理阶段能够在无限连续的威胁级别之间灵活且无缝地适应。我们在 CIFAR-10、CIFAR-100 和 Tiny-ImageNet 上进行的大量实验表明，TCN 仅以单组参数就能达到或超过由不同预算专用模型组成的完整集成，并且能够泛化到未见过的扰动预算，还能在威胁条件不匹配的情况下稳健迁移，参数开销仅为 4.6\%。这些贡献为动态且多样的威胁环境中的自适应、可泛化鲁棒性描绘了一条充满前景的路径。