7.1.1 多维度评估指标（鲁棒性、隐私、公平性）

文档摘要

7.1.1 多维度评估指标（鲁棒性、隐私、公平性） 7.1.1 多维度评估指标：用对抗样本校准鲁棒性——一个实战工程师的“压力测试”手记在机器学习系统走向生产环境的征途中，我们常被问到一个问题：“模型真的可靠吗？”这不是一个简单的准确率或F1值能回答的问题。当模型部署在真实世界中，面对的是噪声、恶意输入、分布偏移甚至蓄意攻击——此时，鲁棒性（Robustness）成为衡量模型安全性的第一道防线。而在多维度评估体系中，鲁棒性与隐私、公平性并列，共同构成AI可信度的三角支柱。但问题来了：如何量化鲁棒性？又如何在不牺牲性能的前提下提升它？许多团队的做法是跑一遍标准数据集上的准确率，再加点高斯噪声测试一下，就宣称“模型鲁棒”。这无异于用体温计测地震——工具错了，结论自然失真。