Randomized Smoothing
PulseAugur coverage of Randomized Smoothing — every cluster mentioning Randomized Smoothing across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新框架利用梯度信息增强认证鲁棒回归 · 跟踪到2个来源
研究人员开发了一个新的认证鲁棒回归框架，解决了现有方法的局限性。这种新颖的方法提供了一个以预测为中心的证书，确保了平滑模型预测的稳定性，并且便于实时计算。在MNIST旋转任务上的实验表明，与alpha-smoothing等当前最先进的技术相比，结合梯度信息可以获得更严格的鲁棒性证书。
-
新的TrajRS框架为自动驾驶轨迹预测提供认证鲁棒性
研究人员开发了TrajRS，一个基于随机平滑的新框架，为行人轨迹预测模型提供认证鲁棒性。这对于自动驾驶系统的安全性至关重要，因为对抗性攻击可能导致危险的驾驶行为。TrajRS扩展了现有的鲁棒性定义，并为轨迹预测器提供了可验证的安全保证，实验证明了其有效性。
-
新的元学习框架大幅降低了神经网络认证鲁棒性的计算成本
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。
-
音频分类鲁棒性需要清晰的表示法报告
研究人员在将随机平滑用于音频分类鲁棒性认证时，发现了一个关键的歧义。标准方法假设噪声是在单个向量空间中添加的，但音频处理通常涉及多种转换，这使得认证对象不明确。研究表明，不同的表示法（如原始波形与对数梅尔特征）和预处理步骤（如归一化）会显著改变鲁棒性认证结果。作者建议在音频鲁棒性研究中明确报告认证对象、扰动模型和加噪后的几何变化，以确保准确性和可复现性。
-
新RRISE方法大幅降低AI鲁棒性认证成本
研究人员开发了RRISE，一个用于鲁棒半径推断的新框架，它显著加快了认证$\ell_2$分类鲁棒性的过程。通过训练一个学习到的代理模型，RRISE用一次前向传播取代了数千次蒙特卡洛采样步骤，使得认证鲁棒性在实时系统中变得实用。该方法在认证精度上与传统的随机平滑法相当，同时大幅降低了部署期间的计算成本。
-
新的防御机制为时间序列异常检测提供认证鲁棒性
研究人员开发了首个在动态时间规整（DTW）度量下为时间序列异常检测提供认证鲁棒性的防御机制。该新方法改编了随机平滑范式，并弥合了传统 $\ell_p$-范数约束与更适合时间序列数据的DTW度量之间的差距。实验表明，与现有的认证模型相比，在基于DTW的对抗性攻击下，F1分数提高了高达18.7%，显示出显著的改进。
-
拉普拉斯桥接平滑为边缘设备提供更快、经过认证的 AI 鲁棒性
研究人员开发了拉普拉斯桥接平滑（LBS）方法，这是一种提高机器学习模型认证鲁棒性效率和有效性的新方法。LBS 分析性地重新构建了随机平滑，用低维空间中更快的计算取代了计算密集型采样。这种方法消除了对噪声增强训练的需求，并显著降低了认证成本，从而能够在 NVIDIA Jetson Orin Nano 和 Raspberry Pi 4 等边缘设备上进行实际部署。