Laplace-桥接随机光滑化：快速认证鲁棒性
机器学习
2026-04-29 v1
摘要
随机光滑化（Randomized Smoothing, RS）为任意基本分类器提供形式 鲁棒性保证，但面临两个关键实际瓶颈：（i）它通常依赖于噪声增强训练以实现非平凡证书，这会增加训练成本、降低干净准确率并削弱RS作为真正后处理防御的作用；（ii）认证计算昂贵，通常需要每输入进行数万次噪声前向传播，限制了在资源受限的边缘设备上的部署。为解决这两个限制，我们提出了Laplace-桥接光滑化（Laplace-Bridged Smoothing, LBS），这是一种对RS的解析性改进，取代高维输入空间的蒙特卡罗（MC）抽样，转为在低维概率空间中的高效计算。LBS在不要求噪声增强训练的情况下保持形式鲁棒性保证，并显著降低认证负担。在CIFAR-10和ImageNet上，LBS比RS获得更强的认证鲁棒性，并将每样本认证成本降低近九成。值得注意的是，在NVIDIA Jetson Orin Nano和树莓派4上，LBS实现了最高可达 的加速，使其在实际边缘设备上实现了可行的认证部署。我们提供了该解析性表述和证书有效性的理论依据。
引用
@article{arxiv.2604.24993,
title = {Laplace-Bridged Randomized Smoothing for Fast Certified Robustness},
author = {Miao Lin and MD Saifur Rahman Mazumder and Feng Yu and Daniel Takabi and Rui Ning},
journal= {arXiv preprint arXiv:2604.24993},
year = {2026}
}