Dec, 2023
（可证明的）群等变任务中的对抗鲁棒性：图形，点云，分子等
(Provable) Adversarial Robustness for Group Equivariant Tasks: Graphs,
Point Clouds, Molecules, and More
TL;DR机器学习模型的稳健性不仅需要考虑输入微扰对其预测的影响，还要考虑任务的等变性。本研究首次提出了适用于等变性任务的对抗稳健性概念，并证明了通过选择符合任务等变性的模型和进行传统的对抗稳健性认证可以实现可证稳健性。此外，本研究还通过等变性保持随机平滑的框架填补了许多模型（如具有连续等变性的模型）的认证方法的空白，并衍生了首个特定于体系结构的图编辑距离认证，提供了同构等变性任务（如节点分类）的可靠稳健性保证。综上所述，一个稳健性的准确概念对于稳健和几何机器学习交叉领域的未来工作是一个重要的前提。