深層学習（DL）モデルは成功を収めていますが、小さな入力の摂動に対して脆弱で、誤った出力を引き起こす可能性があります。この問題を解決するために、確率的ロバスト性（PR）が提唱されていますが、従来のPRの定義は固定された摂動分布を前提としているため、実務においては不現実的です。本研究では、非パラメトリック確率的ロバスト性（NPPR）を提案し、事前に定義された摂動分布に依存せず、データから直接最適な摂動分布を学習します。NPPRはガウス混合モデル（GMM）と多層パーセプトロン（MLP）を用いており、入力依存および非依存の様々な摂動シナリオをカバーします。理論的な分析によって、アドバーサリアルロバスト性（AR）、PR、およびNPPRの関係が確立されます。実験の結果、NPPRは従来の手法と比較して最大40％保守的なPR推定値を示し、より実用的なロバスト性メトリックであることが確認されました。