12:02
官方账号arXiv cs.LG@Jürgen Dölz, Michael Multerer, Michele Palma
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。
离散模量连续性
共 1 条相关 AI 资讯
5月28日
12:02
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。