标签
本文介绍了TrajRS，它是Randomized Smoothing的一个扩展，为行人轨迹预测器提供认证的鲁棒半径，从而针对对抗扰动提供可验证的安全保证。
本文介绍了一个面向任意时有效认证鲁棒性的元学习框架，该框架使用序列E过程自适应分配计算资源，与传统的随机平滑方法相比，样本复杂度降低了20倍，同时保持了严格的统计保证。
RRISE引入了一种学习的代理估计器，将随机平滑认证鲁棒性的蒙特卡洛采样成本降低到单次前向传播，在将每次查询多达10^4次评估替换为一次前向传播的同时，精度保持在0.84个百分点以内。
本文介绍了一个框架，通过隐私配置文件将随机平滑与差分隐私联系起来，从而能够针对同时影响训练和推理的后门攻击提供严格的可证明鲁棒性保证。该框架在DP-SGD和深度分区聚合上实例化，并在MNIST和CIFAR-10上进行了实验。