Object Recognition Model with Limited but Consistent Improvement in Adversarial Robustness through Joint Training with Human EEG

提出了一种新型鲁棒性分类模型，能够在MNIST数据集上对抗多种扰动，展现出最先进的鲁棒性。

研究表明，对抗鲁棒网络的学习表征更能捕捉外周计算，与人类视觉中的纹理表征相匹配。

模仿灵长类动物视觉系统的神经表征可以产生对抗性稳健的人工视觉系统。

通过修改人工神经网络的谱特性，可以提高识别准确率和对抗攻击的鲁棒性。

引入物理学概念，如小波散射变换，能够在不进行对抗训练的情况下提高对抗性鲁棒性。

随着图片识别准确度的提高，对抗性攻击虽然更容易改变模型决策，但攻击特征与人类视觉识别相关的特征越来越远。

通过神经协调器网络的训练，可以使神经网络更接近人类视觉识别模式，从而提高鲁棒性。

引入自相关激活层改善了深度神经网络对敌对扰动的抵抗能力，提高了识别准确率。

提出的“Re(presentational)Al(ignment)Net”模型与人类大脑活动对齐，取得了人工智能领域的突破。

模仿人类视觉系统的神经表征可以增强人工神经网络对抗攻击的鲁棒性，发展更人性化的决策模式。