Naukowcy opracowali nową metodę treningową zwaną Lipschitz Scaling Training (LiST), która rozwiązuje fundamental problem: jak jednocześnie poprawić dokładność, odporność na ataki i kalibrację sieci neuronowych. Choć wszystkie trzy cechy są istotne dla wiarygodnych modeli, zwykle rozwijane są niezależnie, a znalezienie optimum dla wszystkich jednocześnie pozostawało dużym wyzwaniem. LiST opiera się na modelach z ograniczeniami Lipschitza - mogą one z definicji gwarantować odporność, lecz ręczny wybór współczynnika Lipschitza L kontroluje kompromis między dokładnością a odpornością.
Kluczowe odkrycie polega na tym, że istnieje optymalny nietrywialny współczynnik L* dla danego schematu treningowego, który daje naturalnie skalibrowaną sieć bez dodatkowych dostosowań. Autorzy pokazali teoretyczne i empiryczne powiązanie między wymuszonym ograniczeniem Lipschitza a Temperature Scaling - najnowocześniejszą metodą kalibracji. Kalibracja działa tutaj jako obiektywne kryterium wyboru dobrze zdefiniowanego punktu operacyjnego na froncie Pareto dokładności i odporności.
Metoda LiST iteracyjnie dostosowuje globalny współczynnik Lipschitza aby osiągnąć ten optymalny punkt. Poprzez parametr marginesu w funkcji straty treningu, LiST umożliwia konstruowanie w pełni skalibrowanego frontu Pareto, pozwalając użytkownikom poruszać się po kompromisie między dokładnością a odpornością przy zachowaniu kalibracji. Po zbieżności metoda pozwala nawet na ponowne włączenie danych kalibracyjnych do treningu, poprawiając efektywność próbek bez utraty właściwości kalibracyjnych.