Lipschitz-based robustness estimation for hyperdimensional learning

Calvin Yeung

doi:10.3389/frai.2025.1637105

2025-09-21

Calvin Yeung *

Hamza Errahmouni Barkam

DOI：10.3389/frai.2025.1637105

原文链接

查看原文

摘要

En 中文

随着机器学习模型在各个实际领域的应用，对评估和提高模型鲁棒性的需求日益增长。高维计算（HDC）是一种神经符号计算范式，它将符号表示为高维向量，将符号操作表示为向量操作，并无缝连接模型中的神经和符号组件。然而，关于HDC模型对输入扰动的鲁棒性，HDC研究中存在明显的差距。本研究提出了一种专门用于评估高维分类器对输入空间扰动的鲁棒性的新理论框架。具体而言，我们提出的鲁棒性度量给出了模型在不改变其预测结果的情况下可容忍的噪声幅度的理论上限。我们还基于提出的鲁棒性度量提出了增强模型鲁棒性的方法。我们的方法引入了多种方法，将模型鲁棒性表示为特定数据集和高维编码类型的函数。结果表明，在提出的优化方案下，通过改变用于编码超向量的高斯分布的方差，HDC模型的平均鲁棒性得以提高，同时保持了准确性。同时，也展示了我们提出的鲁棒性度量的实际有效性。