12:02arXiv cs.LG@Jürgen Dölz, Michael Multerer, Michele Palma传统上,神经网络的鲁棒性通过Lipschitz常数衡量,但该方法过于粗糙或严格,无法捕捉数据依赖的细微行为。本文提出基于离散模量连续性(DMOC)的数据驱动框架,它不依赖模型内部结构,而是通过数据分布评估网络的正则性。DMOC引入了可扩展的小批量算法,将计算成本从二次降为线性,适用于ImageNet等大规模数据集。实验表明,DMOC能区分已训练和未训练网络,揭示欠拟合和过拟合状态,并作为特例给出与最先进方法相当的紧Lipschitz估计。该框架为鲁棒性评估提供了更精细、数据驱动的替代方案。论文神经网络鲁棒性Lipschitz常数数据驱动离散模量连续性大规模数据集推荐理由:DMOC解决了Lipschitz常数在评估神经网络鲁棒性时的粗粒度问题,做模型安全或对抗性研究的团队可以直接用这个框架替代传统方法,尤其适合处理ImageNet级别的大规模数据。原文