Zespół naukowców zaprezentował nową perspektywę na problem adversarialnej odporności sieci neuronowych, redukując go do problemu przechodzenia przez strukturę matematyczną zwaną siecią interwałów. Podejście opiera się na podziale przestrzeni wokół punktu decyzyjnego na prostokątne obszary - każdy element sieci odpowiada interwałowi zawierającemu punkt wejściowy, dla którego bada się gwarancje dotyczące zachowania predykcji sieci.
Kluczowym wkładem pracy są dwa rodzaje certyfikacji. Sound certifications potwierdzają, że sieć neuronowa nie zmienia swojej prognozy, gdy wejście pozostaje w danym interwale - to bezpośrednio odpowiada klasycznemu pojęciu adversarial robustness. Complete certifications są nowością w literaturze i gwarantują, że gdy punkt wyjdzie poza określony interwał, sieć zmieni swoją decyzję. Badacze opracowali operatory przechodzenia przez sieć interwałów, które iteracyjnie udoskonalają i weryfikują te certyfikacje przy użyciu formalnych weryfikatorów sieci neuronowych.
Wyniki teoretyczne ujawniają interesującą asymetrię: dla complete certifications minimalny rozmiar obszaru może być znaleziony w wielomianowym czasie obliczeń (przy dostępie do wyroczni), co stanowi znaczący wynik obliczeniowy. Natomiast dla sound certifications problem znalezienia maksymalnego obszaru robustności okazuje się być silnie trudny obliczeniowo. To odkrycie ma implikacje dla praktycznego wdrażania weryfikacji bezpieczeństwa w dużych modelach i pokazuje, gdzie bardziej realne są gwarancje formalne dotyczące odporności na ataki.