研究者提交机器学习鲁棒性测度几何理论

Cheng-Chao Huang 已向 arXiv 提交《机器学习鲁棒性的测度几何理论》，提出用测度几何框架刻画机器学习鲁棒性。论文将鲁棒性定义为：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。 论文区分流形上可能出现的逃逸结构与这些结构在环境空间中的机制依赖性实现，并用中尺度几何描述脆弱质量、有限尺度形态、已交付进展和分支一致性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。