精选理由
安全关键AI系统（如自动驾驶、医疗诊断）的开发者需要量化模型对输入扰动的鲁棒性，XCount提供了一种高效且可扩展的敏感性分析工具，值得关注。
该研究提出了一种量化决策树集成（DTE）模型敏感性的新方法，通过离散化输入空间并枚举易受干扰的区域，计算模型对特征微小变化的敏感程度。方法基于代数决策图（ADD）编码，将问题分解为可组合的子问题，在保证误差和置信度边界的同时实现高效计算。实验表明，工具XCount在多个基准测试中相比传统模型计数方法显著加速，且能随树集成规模扩展。这项工作对安全关键领域的AI验证具有重要意义。
AI 翻译 · 中文
该研究提出了一种量化决策树集成（DTE）模型敏感性的新方法，通过离散化输入空间并枚举易受干扰的区域，计算模型对特征微小变化的敏感程度。方法基于代数决策图（ADD）编码，将问题分解为可组合的子问题，在保证误差和置信度边界的同时实现高效计算。实验表明，工具XCount在多个基准测试中相比传统模型计数方法显著加速，且能随树集成规模扩展。这项工作对安全关键领域的AI验证具有重要意义。
Decision tree ensembles (DTE) are a popular model for a wide range of AI classification tasks, used in multiple safety critical domains, and hence verifying properties on these models has been an active topic of study ov…