机器学习鲁棒性的测度几何理论

研究提出机器学习鲁棒性的基础性测度几何理论，将鲁棒性定义为相对于数据承载流形上的参考测度、扰动规范和可容许实现机制，逃离保留任务状态的过程。理论区分参考流形上的逃逸结构可能性与其在环境空间中的机制依赖性实现，并以中尺度几何刻画脆弱质量、有限尺度形态、已交付进展和分支一致性。