Effiziente Berechnung und Analyse von Lipschitz-Konstanten zur Verbesserung der zertifizierten Robustheit von tiefen Klassifizierern

Die Autoren entwickeln eine differenzierbare Regularisierungsfunktion, die eine untere Schranke für den Abstand der Datenpunkte zur Entscheidungsgrenze darstellt. Dafür nutzen sie Lipschitz-Stetigkeit-Argumente, um effiziente und skalierbare Methoden zur Berechnung von oberen Schranken für die Lipschitz-Konstanten tiefer neuronaler Netzwerke zu entwickeln.