通过格遍历实现多层感知器的区间认证

本文提出了一种严格的理论框架，用于解决人工智能安全中的对抗鲁棒性问题。作者将对抗鲁棒性归结为格遍历问题，其中每个格元素对应于包含输入点的轴对齐超矩形（区间）。对于多层感知器分类器，区间I构成声音认证的条件是：输入点x在I内，且x在I内任意扰动均不改变MLP的预测。相反，区间I构成完全认证的条件是：x在I内，且当x离开I时MLP的预测必然改变。论文开发了格遍历算子，并应用于精化与验证的迭代方案中。利用形式化MLP验证器，保证了声音认证的最大性和完全认证的最小性。在目标优化问题中，作者发现了有趣的不对称性：完全认证的最小解可在多项式时间内通过预言机调用获得，而声音认证则被证明具有强难解性。此外，对于对称区间（即ℓ∞球）的优化问题，论文提出了对数时间算法。最后，作者通过新开发的ParallelepipedoNN系统进行了实证评估，展示了该方法的有效性。这项工作为对抗鲁棒性的理论理解和实际验证提供了新途径，特别是完全认证的概念补充了现有研究的空白。该论文由Merkouris Papamichail、Konstantinos Varsos、Giorgos Flouris和João Marques-Silva共同撰写，于2026年4月提交至arXiv。研究团队来自多个机构，他们的工作为AI安全领域提供了重要的理论基础。通过将对抗鲁棒性转化为格遍历问题，作者不仅简化了问题的表述，还揭示了两种认证类型之间的复杂性差异。完全认证的易处理性和声音认证的难解性可能对未来模型验证策略产生深远影响。此外，ParallelepipedoNN系统的开发为实际应用提供了工具。总体而言，这是一篇具有理论深度和实践价值的论文。在机器学习和人工智能领域，对抗鲁棒性一直是研究热点。传统方法多采用经验性防御，但缺乏严格保证。本文提出的区间认证方法为鲁棒性提供了形式化保证。声音认证类似于传统的鲁棒性概念，而完全认证则是首次提出。这种对称性分析揭示了优化层面上的根本差异。此外，对于ℓ∞球约束的优化，对数时间算法提供了效率优势。实验部分使用了作者自研的ParallelepipedoNN系统，在多个基准数据集上展示了方法的有效性。未来的工作可以拓展到其他神经网络架构和更复杂的认证类型。