穩健性 是什麼？
Robustness — 穩健性 的完整解釋
穩健性是指模型在面對輸入數據的微小擾動、對抗性攻擊或分布偏移時，仍能維持其性能表現的能力。
容易混淆
穩健性 vs 準確率
準確率看平均答對多少 穩健性看遇到變化時還穩不穩 最關鍵的區別是正常表現和受擾動表現。
穩健性 vs 泛化
泛化看能不能處理沒看過的新資料 穩健性看資料被小幅擾動後會不會崩 最關鍵的區別是新資料和被干擾資料。
記住這句就好
資料一變就壞掉的模型，不夠穩健。
實際案例
打字錯誤 使用者把拼字打錯一點點，模型還能理解意思，這就是穩健性好。
對抗攻擊 圖片裡只改幾個像素，模型就看錯，這代表穩健性不足。
算法與應用
常見改善方式包括資料增強、對抗訓練、正則化和更好的驗證。 穩健性不是越高越好就結束，還要看精準度和成本的平衡。 實務上常要一起看分布偏移和對抗樣本。
情境判斷
Q1（直覺題）：如果模型對少量雜訊很敏感，最先懷疑的是什麼？
→ 最先懷疑穩健性不足。
Q2（判斷題）：訓練準確率高就代表模型很穩健嗎？
→ 不代表。它可能只是把訓練資料背熟，遇到新情況就掉下去。
相關術語
常見問題
怎麼評估模型穩健性？
A：通常會看噪聲、擾動、攻擊或分布改變下的表現。
對抗訓練一定有效嗎？
A：通常有幫助，但會增加訓練成本，也不保證所有攻擊都扛得住。
資料增強和穩健性有什麼關係？
A：資料增強能讓模型看過更多變形，有助於降低對單一模式的依賴。