研究人员开发了一种新的用于神经网络认证鲁棒性的元学习框架，旨在降低与随机平滑（RS）相关的极端计算成本。该方法使用一个轻量级的元学习器来预测特定于图像的先验知识，从而实现自适应的E过程，显著降低了样本复杂度。该方法随时有效的特性允许基于特定应用的风险阈值进行动态资源分配，使其适用于实时、安全关键的部署。 AI
影响 这项研究通过显著降低计算要求，有可能实现神经网络的实时、安全关键认证部署。
排序理由 该集群包含一篇详细介绍神经网络鲁棒性新方法的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.27694v1 Announce Type: cross Abstract: Randomized Smoothing (RS) provides rigorous robustness guarantees for neural networks without architectural constraints, yet its adoption is limited by extreme computational costs. Standard RS requires tens of thousands of model e…
Randomized Smoothing (RS) provides rigorous robustness guarantees for neural networks without architectural constraints, yet its adoption is limited by extreme computational costs. Standard RS requires tens of thousands of model evaluations per input and forces practitioners to c…