基于分层和随机策略的鲁棒随机森林

来源：计算机工程与应用杂志2025年第21期北京时间：

作者：刘昭仪, 王士同

单位：江南大学 人工智能与计算机学院，江苏 无锡 214122

摘要：近年来，可解释的树模型在对抗性攻击下的鲁棒性受到极大关注。尽管已经取得了显著的进展，但仍存在着一些问题。树模型的鲁棒训练算法虽然有效提升了模型鲁棒性，但同时伴随着训练成本的增加以及自然准确率的下降，呈现出与对抗性训练相似的局限性。为了解决这一挑战，针对随机森林模型进行实验和分析，提出一种基于分层和随机策略的鲁棒随机森林算法，该算法使用高斯衰减函数根据树的深度分层衰减分割算法中引入的扰动值，逐层递减扰动带来的负面影响，并引入基于伯努利分布的随机策略控制森林中树的划分过程，以协调模型在自然场景和对抗性攻击下的性能。旨在找到一种平衡策略，既能提升模型在面对对抗性攻击时的鲁棒性，又维持其在标准数据集上的高性能表现。在真实世界数据集上的大量实验表明，提出的算法能够在确保模型具备一定的鲁棒性的同时，显著减轻由鲁棒训练导致的准确率损失，提高模型的泛化能力。

关键词：随机森林,对抗训练,鲁棒性,机器学习