# 鲁棒性验证

针对只允许改动少量像素的ℓ0扰动，FocusBranch把“至多k个像素被扰动”的约束改写为由焦点像素集与层级组成的节点，使验证可以在不同层级上分支。它用覆盖设计生成超节点、用上影生成具体节点，并按采样估计选择起始层级。在13个网络、3189个候选实例上，它验证了2799个；在740个候选实例的对比中验证641个，而CoVerD+top-k-GP为375个。

针对只允许改动少量像素的ℓ0扰动，FocusBranch把“至多k个像素被扰动”的约束改写为由焦点像素集与层级组成的节点，使验证可以在不同层级上分支。它用覆盖设计生成超节点、用上影生成具体节点，并按采样估计选择起始层级。在13个网络、3189个候选实例上，它验证了2799个；在740个候选实例的对比中验证641个，而CoVerD+top-k-GP为375个。

该工作把社会法则从确定性的目标驱动设定扩展到随机的、奖励驱动的多智能体环境，提出以α-鲁棒性衡量每个智能体在遵守社会法则时能保留的保证效用比例，并给出一种通过求解一系列马尔可夫决策过程（MDP）来验证鲁棒性的方法，在若干网格玩具环境上的实验显示：当动作成功概率为1时，平行车道、对向车道以及带顺时针社会法则的交叉场景可达到α=1的鲁棒性，而强制慢速等社会法则并不总能提升保证效用。

该工作把社会法则从确定性的目标驱动设定扩展到随机的、奖励驱动的多智能体环境，提出以α-鲁棒性衡量每个智能体在遵守社会法则时能保留的保证效用比例，并给出一种通过求解一系列马尔可夫决策过程（MDP）来验证鲁棒性的方法，在若干网格玩具环境上的实验显示：当动作成功概率为1时，平行车道、对向车道以及带顺时针社会法则的交叉场景可达到α=1的鲁棒性，而强制慢速等社会法则并不总能提升保证效用。