认证集成：基于 S-Lipschitz 性质的通用认证理论
机器学习
2023-04-26 v1
摘要
改进并保证深度学习模型的鲁棒性一直是研究的热点。集成通过结合多个分类器以提供更好的模型，已证明有益于泛化、不确定性估计、校准，以及缓解概念漂移的影响。然而，集成对认证鲁棒性的影响尚不明晰。本工作中，我们通过引入 S-Lipschitz 分类器推广 Lipschitz 连续性，并用以分析集成的理论鲁棒性。我们的结果给出了精确条件：鲁棒分类器集成何时比任一组成分类器更鲁棒，以及何时更不鲁棒。
引用
@article{arxiv.2304.13019,
title = {Certifying Ensembles: A General Certification Theory with S-Lipschitzness},
author = {Aleksandar Petrov and Francisco Eiras and Amartya Sanyal and Philip H. S. Torr and Adel Bibi},
journal= {arXiv preprint arXiv:2304.13019},
year = {2023}
}
备注
Accepted to ICML 2023