English(EN) Theoretical Lower Bounds on the Robustness of Deep ReLU Networks

新理论量化深度ReLU网络的鲁棒性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-05 04:00

研究人员开发了一个理论框架，用于理解深度ReLU神经网络在面对随机输入扰动时的鲁棒性。该研究通过运用高维几何和对ReLU网络输入-输出函数几何结构的新表征，推导出了局部鲁棒性的下界。一个关键发现是，无论深度或架构如何，由ReLU网络引起的输入空间划分的面数受限于网络单元的数量。该分析还表征了局部鲁棒性如何随输入维度扩展，并识别了最容易受到对抗性示例影响的输入集，表明脆弱区域随维度增加而迅速缩小。 AI

影响为理解神经网络的脆弱性提供了理论见解，可能指导开发更鲁棒的AI模型。

排序理由关于神经网络鲁棒性理论方面的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 关于神经网络鲁棒性理论方面的学术论文。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 6 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · V\v{e}ra K\r{u}rkov\'a · 2026-10-05 04:00

深度ReLU网络鲁棒性的理论下界

arXiv:2602.18674v2 Announce Type: replace Abstract: We present a theoretical study of the robustness of parameterized neural networks to random input perturbations. Specifically, we analyze local robustness by quantifying the probability that a random L_2-perturbation of a given …

本文如何被排名

报道来源 [1]

深度ReLU网络鲁棒性的理论下界

相关实体

相关话题