Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning

Mohammed-Yassine Habibi, Klea Ziu, Martin Takáč, Makoto Yamada

Prépublication arXiv:2609.08683, 2026

Robustesse adverse
Auto-supervision
Neurones oscillants

Résumé

En vision par ordinateur, la robustesse adverse est encore surtout obtenue par entraînement adverse ou par purification adverse au moment du test. Ces deux approches sont coûteuses : il faut générer des exemples adverses pendant l’entraînement, ou débruiter itérativement chaque image au test. Nous étudions si une robustesse empirique peut plutôt émerger des biais inductifs de l’architecture et de l’apprentissage de représentations.

Nous introduisons l’Oscillatory Predictive Learning (OPL), un cadre en deux étapes qui combine des neurones oscillants de Kuramoto artificiels (AKOrN) et un pré-entraînement auto-supervisé prédictif avec X-PhiNet. Comme notre modèle par défaut utilise des états initiaux d’oscillateurs aléatoires, nous le comparons à d’autres défenses adverses randomisées disposant de protocoles d’attaque précis, reproductibles et forts.

Les expériences sur CIFAR-10 et CIFAR-100, complétées par une évaluation sur les corruptions de CIFAR-10-C, montrent que notre méthode obtient des résultats compétitifs selon le protocole AutoAttack-rand. Sur CIFAR-10 et CIFAR-100, OPL atteint respectivement 76,63 ± 0,76 % et 50,44 % de précision robuste, pour ℓ_∞, ε = 8/255, AutoAttack-rand avec EoT K = 20.

Schéma d'une unité de neurones oscillants : une EDO de Kuramoto fait évoluer l'état des oscillateurs X, conditionné par le stimulus Y, puis un extracteur produit les caractéristiques — Unité de neurones oscillants de l'encodeur OPL : l'état des oscillateurs évolue selon une EDO de Kuramoto conditionnée par l'image d'entrée, puis un extracteur lit la représentation.

Cet article prolonge notre article au workshop WiML @ NeurIPS 2025, commencé pendant mon stage de recherche à l’OIST.

Citer

Habibi, M.-Y., Ziu, K., Takáč, M., & Yamada, M. (2026). "Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning." arXiv preprint arXiv:2609.08683.

@misc{habibi2026neither,
  title         = {Neither Adversarial Training Nor Purification: Emergent Adversarial Robustness from Oscillatory Predictive Learning},
  author        = {Habibi, Mohammed-Yassine and Ziu, Klea and Tak{\'a}{\v{c}}, Martin and Yamada, Makoto},
  year          = {2026},
  eprint        = {2609.08683},
  archivePrefix = {arXiv},
  primaryClass  = {cs.LG},
  url           = {https://arxiv.org/abs/2609.08683}
}