무작위 스무딩 기반 인증 견고성 학습

초기에는 randomized smoothing의 공리적 구조를 유지하면서, 학습 단계에서 강건성과 정확도 사이의 트레이드오프를 어떻게 조절할지에 대한 방법론을 정리했습니다. 2023년에는 샘플별로 견고성 이점을 예측하는 프록시를 활용해 smoothed classifier의 인증 견고성을 향상시키는 학습 방식을 제안했습니다. 같은 해 denoised smoothing 확장에서는 단일 디노이저로 여러 노이즈 스케일의 스무딩을 선택적으로 적용하는 multi-scale smoothing을 도입해 높은 노이즈에서도 성능을 유지하도록 했습니다. 이후 2023년에는 information bottleneck을 닌전스 확장 형태로 재구성해 표현의 일반성과 인증 견고성을 동시에 개선하는 흐름으로 발전했습니다. 2024년에는 off-the-shelf 모델에 대해 confidence-aware한 디노이즈 선택과 미세조정 전략을 결합해 인증 견고성을 안정적으로 끌어올리는 연구를 수행했습니다.