Provable Adversarial Robustness for Group Equivariant Tasks: Graphs, Point Clouds, Molecules, and Mo

我们采用以下六个标准，旨在对机器学习领域的研究论文进行分类，特别是那些涉及模型鲁棒性和等变性的研究。以下是每个标准的详细解释：

1. 重点： 该标准区分了探索等变性和鲁棒性交叉点的研究、仅关注其中一个属性的研究，或两者都不关注的研究。

   • 等变性和鲁棒性： 这是最具体的类别，包括明确研究如何使机器学习模型既具有等变性（即，它们的预测在特定输入变换下可预测地变化）又具有鲁棒性（即，抵抗对抗性攻击或噪声）的研究。上传的论文完全属于这一类。
   • 仅等变性： 这个更广泛的类别包括开发或增强具有等变性属性的模型，但不具体解决其对对抗性攻击的鲁棒性的研究。
   • 仅鲁棒性： 此类别包括专注于使模型更鲁棒而不显式考虑等变性属性的研究。

2. 等变性类型： 该标准区分模型预测应保持一致的变换类型。

   • 离散： 这是指属于离散群（例如元素的重新排序或反射）的变换下的等方差。
   • 连续： 这是指属于连续群（例如旋转或平移）的变换下的等方差。

3. 领域： 该标准根据模型设计处理的数据类型对研究进行分类。

   • 图像： 该领域的研究侧重于处理图像数据的模型，这些模型通常需要对平移、旋转，有时还有缩放等变。</