获取全局保证：关于扰动鲁棒性的概率本质
机器学习
2025-08-27 v1
摘要
在安全关键的深度学习应用中，鲁棒性衡量的是神经模型处理输入数据中不可察觉的扰动的能力，这些扰动可能导致潜在的安全风险。现有的部署前鲁棒性评估方法通常在计算成本与测量精度之间存在显著权衡，限制了其实际实用性。为了解决这些限制，本文对现有的鲁棒性定义及其相关评估方法进行了全面的比较分析。我们提出了基于假设检验的 tower 鲁棒性，以评估鲁棒性，这是一种新实用的度量，能够定量评估概率鲁棒性，使更严格和更高效的部署前评估成为可能。我们的广泛比较评估说明了我们方法的优势和适用性，从而推动了对安全关键深度学习应用中模型鲁棒性的系统性理解和提升。
引用
@article{arxiv.2508.19183,
title = {Get Global Guarantees: On the Probabilistic Nature of Perturbation Robustness},
author = {Wenchuan Mu and Kwan Hui Lim},
journal= {arXiv preprint arXiv:2508.19183},
year = {2025}
}