본 논문은 신경망 분류기의 적대적 견고성이 중요한 과제임을 지적하며, 특히 추론 시점에 ground-truth 레이블을 사용할 수 없는 실시간 시스템에서 중요한 문제임을 강조한다. 이를 해결하기 위해, 정렬된 softmax 출력의 분산을 측정하여 모델 신뢰도의 불규칙성을 정량화하는 레이블 없는 지표인 \textit{Volatility in Certainty} (VC)를 연구한다. VC는 인접한 신뢰도 값의 평균 제곱 로그 비율로 정의되어 모델 출력의 국소적 변동성을 포착한다. MNIST, CIFAR-10 데이터셋을 기반으로 훈련된 ANN, CNN, 정규화된 VGG 모델을 사용하여 VC를 분류 정확도의 프록시 및 적대적 드리프트의 지표로 평가한다. FGSM을 사용하여 생성된 적대적 예제와 점진적인 분포 이동 하에서 VC의 민감도를 평가하기 위한 혼합 테스트 세트를 사용한다. 실험 결과는 분류 정확도와 log(VC) 사이에 강한 음의 상관관계(대부분의 경우 rho < -0.90)를 보여 VC가 레이블 데이터 없이 성능 저하를 효과적으로 반영함을 시사한다. VC는 안전 필수 애플리케이션의 조기 경보 시스템에 적합한 확장 가능하고 아키텍처에 독립적인 실시간 성능 지표로 제시된다.
