通过表征空间去噪实现快速随机平滑

基于摘要分析。本文研究图像分类随机平滑中的认证鲁棒性与推理成本问题，提出 Representation-space Denoised Smoothing（RepDS）：用预训练视觉编码器的特征空间去噪替代扩散模型的像素空间重建，直接恢复用于分类的表征，从而减少每次 Monte Carlo 采样所需的计算。 核心机制：Diffusion Denoised Smoothing（DDS）通常对每个加噪样本执行扩散去噪，再由独立预训练模型分类。RepDS 则调整视觉编码器，使高斯噪声污染图像的表征与对应干净图像的表征对齐。推理时，每次平滑采样仅需一次非生成式前向传播，避免像素重建及对重建图像的额外编码。摘要未给出具体对齐损失、编码器调整范围或训练规模。 作者报告，RepDS 在 ImageNet 的全部已报告认证半径上取得其所称的最先进认证准确率。在半径 1.5 的评估中，RepDS-H+ 的 certified accuracy 为 64.2%，骨干匹配的 DDS 重跑结果为 54.6%；在相同计时协议下，RepDS-H+ 约快 4 倍。作者另报告，相比 DensePure，其单次采样推理耗时降低超过三个数量级。半径所用范数、数据划分、认证置信水平、Monte Carlo 样本量、硬件及计时细节尚未验证，因此不能据此推定总认证成本或跨协议优势；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移的假设是，EEG 分类的噪声鲁棒训练或许也能直接约束任务表征，而不必重建信号。该路径依赖可用编码器、干净与扰动样本的对应关系，以及适合目标信号的噪声假设；需改造输入编码和扰动模型，表征对齐思路可保留。低信噪比、跨被试差异、通道变化和小数据可能使对齐抹去任务相关信息，图像领域有效不等于 BCI 有效。一个可证伪的小实验是在固定 EEG 数据划分、编码器与扰动预算下，对比表征对齐、信号重建和不去噪基线的分类表现及单次推理耗时，再评估认证假设是否适用；已有 EEG 相关工作尚未检索确认。