Certification of Machine Learning Models via Directional Sharpness
모델 일반화(generalization)는 직접 인증하기 어렵고 테스트 정확도나 정적 샤프니스(sharpness)는 학습 과정이 왜곡되면 신뢰하기 어렵다는 한계를 해결하기 위해, 연속적인 확률적 perturbation 하에서 동적 안정성(dynamic stability)을 측정하는 방향성 샤프니스(directional sharpness) 지표를 제안한다. 실험과 이론 분석에서 이 지표는 기존 지표보다 일반화와 더 강하게 상관하고 낮은 품질 모델을 더 신뢰적으로 식별하며, 학습 데이터 접근 감사와 영지식 증명(zero-knowledge proof) 기반 인증에서도 효율적으로 계산 가능함을 보였다.