通过稳健修剪提升可认证语义鲁棒性
计算机视觉与模式识别
2025-10-02 v1 机器学习
摘要
深度神经网络已在众多涉及视觉输入的计算机视觉和机器人应用中广泛采用。必须验证其对语义变换扰动（如亮度和对比度）的鲁棒性。然而，当前的认证训练和鲁棒性认证方法面临过度参数化的挑战，这会阻碍因神经网络过于复杂而导致的紧密性和可扩展性。为此，我们首先分析了层和神经元对输入扰动的稳定性和方差，表明可认证鲁棒性可由基本的无偏光滑神经元指标（USN）指示。基于USN，我们引入一种新型神经网络修剪方法，该方法删除低USN的神经元并保留高USN的神经元，从而在没有过度参数化的情况下保持模型的表达能力。为进一步增强此修剪过程，我们提出了一种新的Wasserstein距离损失，以确保修剪后的神经元在各层之间更集中。我们通过在具有真实亮度和对比度扰动的具有挑战性的鲁棒关键点检测任务上进行大量实验，验证了该方法，表明其在鲁棒性认证性能和效率方面优于基线方法。
引用
@article{arxiv.2510.00083,
title = {Enhancing Certifiable Semantic Robustness via Robust Pruning of Deep Neural Networks},
author = {Hanjiang Hu and Bowei Li and Ziwei Wang and Tianhao Wei and Casidhe Hutchison and Eric Sample and Changliu Liu},
journal= {arXiv preprint arXiv:2510.00083},
year = {2025}
}