Naukowcy z wykorzystaniem metody LiST rozwiązują długotrwały problem budowy sieci neuronowych, które są jednocześnie dokładne, odporne na zaburzenia i dobrze skalibrowane - czyli zwracają wiarygodne estymaty pewności swoich predykcji. Problem polega na tym, że te trzy cechy często pozostają w konflikcie: zwiększenie robustności tradycyjnie obniża dokładność, a ani jedno ani drugie nie gwarantuje dobrej kalibracji.
Kluczowym odkryciem badaczy jest powiązanie między ograniczeniami Lipschitza a Temperature Scaling - popularną techniką kalibracji. Pokazali, że dla danego schematu treningowego istnieje optymalna wartość ograniczenia L*, która wymusza wbudowaną robustność i równocześnie daje prawie idealnie skalibrowaną sieć bez dodatkowych zabiegów. To oznacza, że kalibracja może służyć jako naturalny wyznacznik optymalnego punktu operacyjnego na krzywej Pareto między dokładnością a odpornością.
LiST realizuje to poprzez iteracyjne dostosowywanie globalnego ograniczenia Lipschitza podczas treningu. Metoda wprowadza również parametr marginesu w funkcji straty, co pozwala na konstruowanie całej frontu Pareto - zbioru rozwiązań, gdzie można wybierać kompromis między cechami, pozostając skalibrowanym na każdym etapie. Jako dodatkowy benefit, LiST umożliwia ponowne włączenie danych kalibracyjnych do treningu na końcowym etapie, zwiększając efektywność próbki bez utraty kalibracji. Badacze walidowali podejście na standardowych benchmarkach, demonstrując praktyczną wartość tego nowego paradygmatu treningowego.