关于采样器的可扩展测试

本文研究在高维分布上以 $(\varepsilon,\eta,\delta)$ 保证测试约束采样器的问题。采样器日益广泛用于各种安全关键的 ML 应用中，因此测试问题愈发重要。对于 $n$ 维分布，现有的最优算法 $\mathsf{Barbarik2}$ 的最坏情况查询复杂度为 $n$ 的指数级，故不适合实际使用。我们的主要贡献是一个指数级更快的算法，其查询复杂度为 $n$ 的线性，因此可轻松扩展到更大实例。我们通过实现该算法并与 $\mathsf{Barbarik2}$ 比较来证明上述结论。我们在采样器 $\mathsf{wUnigen3}$ 和 $\mathsf{wSTS}$ 上的实验发现，与 $\mathsf{Barbarik2}$ 相比，$\mathsf{Barbarik3}$ 对 $\mathsf{wUnigen3}$ 所需样本少 $10\times$，对 $\mathsf{wSTS}$ 少 $450\times$。