Newest papers

CertMoE: Robustness Certification for Mixture-of-Experts LLMs via Routing-Aware Smoothing

Qingyue Wang, Yudong Gao, Lixia Wang, Ruixuan Huang, Yuanyuan Yuan, Yangqiu Song, Shuai Wang · 2026 · arXiv

DOI: 10.48550/arXiv.2610.29395 · open-access PDF

German

Nachweisbare Robustheit ist ein Eckpfeiler des zuverlässigen maschinellen Lernens, der darauf abzielt, Modellvorhersagen unter widersprüchlichen Störungen zu garantieren. Bestehende Zertifizierungsrahmen, inspiriert von abstrakter Interpretation oder symbolischer Ausführung, gehen in der Regel von einem festen Berechnungsdiagramm aus, bei dem Eingabestörungen oder Variationen nur die Modellausgänge beeinflussen, aber nicht den zugrunde liegenden Ausführungsweg.

Machine translation (Meta M2M100); the English original follows.

Abstract

Provable robustness is a cornerstone of trustworthy machine learning, aiming to guarantee model predictions under adversarial perturbations. Existing certification frameworks, inspired by abstract interpretation or symbolic execution, typically assume a fixed computation graph, where input perturbations or variations affect only model outputs but not the underlying execution path. This assumption, however, is violated in Mixture-of-Experts (MoE) Large Language Models (LLMs), whose input-dependent routing induces discrete and dynamic execution paths. Crucially, this dynamic computation changes

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange