树集合中更快的重复规避攻击
内容提要
该文综述决策树与树集成算法的对抗鲁棒性研究，涵盖Treant抗攻击学习、混合整数规划与符号预测干扰、集成对抗训练、Born-Again树可解释性、攻击树风险评估、AdaEA自适应集成攻击及成本驱动鲁棒决策树等方法，旨在提升模型抗干扰能力并兼顾可解释性。
延伸解读
树模型对抗攻击的时间线
文章按时间顺序梳理了决策树与树集成对抗鲁棒性的关键研究，从2015年的混合整数规划干扰算法到2023年的AdaEA自适应集成攻击，展示了攻击与防御技术的交替演进。读者可从中看出，树模型的安全研究从早期针对单一算法的攻击，逐步扩展到集成模型、可解释性及成本敏感场景，反映了该领域持续应对新威胁的历程。
攻击与防御的相互促进
文中多项研究体现了攻击与防御的相互促进：例如，针对树集成的干扰算法（2015）催生了提升树鲁棒性训练；集成对抗训练（2017）提升了ImageNet模型鲁棒性；而AdaEA（2023）作为自适应集成攻击，又能增强基于迁移的攻击方法。这种循环推动着更鲁棒算法和更强大攻击的不断涌现。
可解释性与鲁棒性的平衡
树集成虽性能强大但可解释性差，Born-Again树集成（2020）通过动态规划生成可解释的树模型，在不牺牲性能的前提下提升可解释性。同时，成本驱动鲁棒决策树（2019）在垃圾邮件检测中兼顾准确性与成本感知鲁棒性。这些工作表明，鲁棒性、可解释性与成本效益正成为树模型研究的重要平衡点。
Q&A
Treant算法是如何提高决策树抗攻击性能的？
Treant基于威胁模型，采用坚固分裂和攻击鲁棒性两种技术手段，使学习过程更完整高效，从而有效提高抗攻击性能。
针对树集合算法有哪些新型分类器干扰算法？
有两种：第一种使用混合整数线性规划求解器寻找约束下的最优干扰实例；第二种通过基于符号预测的快速有限差分方法在速度和准确性之间权衡。
集成对抗训练如何提升模型鲁棒性？
集成对抗训练通过生成更强的对抗样本进行训练，在ImageNet数据集上应用可显著提高模型鲁棒性。
Born-Again树集成方法如何解决可解释性问题？
该方法通过动态规划算法生成在实际数据集上表现优异的Born-Again树模型，在不牺牲分类器性能的前提下获得更高的可解释性。
AdaEA自适应集成攻击方法有什么特点？
AdaEA通过自适应控制每个模型输出的融合，监测其对攻击目标的贡献差异比率，并引入降低差异的滤波器同步更新方向，在各种数据集上取得显著改进，并能提升基于迁移的攻击方法。
成本驱动鲁棒决策树在哪些场景中表现更好？
在Twitter垃圾邮件检测等场景中，成本驱动鲁棒决策树显示出比现有方法更高的准确性、更低的误报率和更强的成本感知鲁棒性。
