极市直播预告丨NeurIPS 2022 Oral-张博航：如何从模型层面获得对抗鲁棒性保证？

众所周知，现代的深度神经网络存在着严重的鲁棒性缺陷，容易遭受对抗样本的攻击。如何系统的获得可验证的鲁棒性保证是近年来一个重要的研究方向。

本次分享我们邀请到了北京大学的张博航，为大家介绍他们NeurIPS 2022上的工作：

Rethinking Lipschitz Neural Networks and Certified Robustness: A Boolean Function Perspective（NeurIPS 2022 Oral）

“该工作系统探究了深度学习领域的核心问题：是否能够从模型层面出发，设计出具有天然对抗鲁棒性的神经网络？对于基本的L无穷鲁棒性问题，我们揭示了Lipschitz神经网络的表达能力与其拟合布尔函数能力之间的深刻联系。从这一角度，本文首先指出了标准Lipschitz神经网络表达能力的本质缺陷，并进一步探究了近期所提出的新型网络结构（如L无穷网络）背后的深层次机理。最后，本文提出了一个鲁棒性神经网络的统一框架，称为SortNet（排序网络），该网络结构在CIFAR-10、ImageNet等多个数据集上均取得了SOTA的表现。”