Clustered Randomized Smoothing for Stochastic Prediction Functions
Di cosa parla
Si prova a rendere più affidabili i modelli che possono prevedere più esiti diversi, evitando che le tecniche di robustezza comuni annullino quelle alternative. L'approccio chiamato clustered α-smoothing raggruppa i campioni rumorosi, applica una smussatura locale e ricombina le predizioni per mantenere i diversi esiti, offrendo anche una garanzia formale sul comportamento della predizione. Nei test su guida simulata e controllo di droni migliora la fedeltà delle previsioni e riduce le collisioni rispetto agli approcci precedenti.
Cosa permette di osservare
Fa domande su come conservare più ipotesi plausibili di un modello quando si cerca di renderlo più robusto: conviene trattare separatamente le diverse possibilità? Serve per confrontare strategie di robustezza in compiti con esiti multipli, come traiettorie di guida o volo.
Dalla fonte
Modern stochastic predictors can model rich, multi-modal outcome distributions. However, this expressive power comes with challenges in ensuring robust predictions $-$ a critical requirement in safety-critical domains. Randomized smoothing is a leading technique for improving robustness, particularly against adversarial perturbations. Yet, in stochastic multi-modal regression settings, randomized smoothing often fails due to mode collapse, yielding averaged predictions that do not reflect the underlying distribution. To address this limitation, we propose clustered $\alpha$-smoothing, a framework that (1) partitions noisy samples using an arbitrary clustering algorithm, (2) applies $\alpha$-smoothing locally within each cluster, and (3) combines the resulting predictions into a mixture distribution. By interpreting the smoothing distribution as a mixture of $\alpha$-smoothers, we derive…