该论文聚焦于神经网络鲁棒性认证的可信计算问题。鲁棒性认证旨在为给定输入确定最大扰动范围（轴对齐超矩形），使模型在该范围内预测不变。现有方法追求体积最优认证，但近期的难解性结果证明，在合理时间内计算体积最优认证不可行。为此，作者引入新度量“apothem”（超矩形的最短边距），并提出一种算法，仅需线性次（相对于输入域直径）调用神经网络验证器（Oracle）即可计算apothem最优认证。理论证明表明，即使忽略Oracle计算开销，也不存在基于Oracle的体积最优算法。此外，作者提出“双重认证”（dual certifications），即包含某类所有样本的区间，从而为鲁棒性认证提供基于apothem最小值的上界。实现上，开发了ParallelepipedoNN系统，在MNIST和Fashion-MNIST基准测试上评估。初步实验显示，与现有工作相比，在最小边距指标上至少提升两倍。该工作为解决鲁棒性认证的可计算性与可信度平衡提供了新思路。