Sep, 2019

分支定界用于分段线性神经网络验证

PDF
TL;DR研究了深度学习的形式验证以及提出了一种基于分支定界的族算法，并提出了新型的组合方法，以及新的有效的分支策略，将之用于高维输入上的问题，并提出包含以前发布的测试案例的全面测试数据集和基准测试。
发现论文，激发创造
  • 分段线性神经网络验证的统一视角

    本文介绍了一种统一的深度学习模型形式验证的框架，利用分段线性结构和形式方法，结合现有方法的优势以实现两个数量级的加速。并提出了一组新的基准数据集，通过实验比较现有算法并确定影响验证问题难度的因素。

    Nov, 2017

  • 使用分支定界进行非线性神经网络验证

    本文提出了名为 GenBaB 的通用框架，用于进行神经网络中非线性函数的分支界定与验证，并展示了其在验证各种类型的神经网络以及其他非线性计算图上的有效性。

    May, 2024

  • 神经网络验证的神经网络分支

    通过训练图神经网络来设计一个有效的分支策略，能够在形式化验证神经网络的过程中减少验证时间并获得更好的验证结果。

    Dec, 2019

  • 使用分支界限法对神经网络进行概率验证

    用具有适当启发式条件的一组算法基于神经网络的输出分布来验证其概率，同时计算和迭代优化神经网络输出概率的下界和上界，并通过应用非概率性神经网络验证中的最先进的边界传播和分支约束技术，显著提高了解决时间。

    May, 2024

  • 通过 Lagrangian 分解改进的神经网络验证分支定界算法

    本篇论文提出了基于 Lagrangian Decomposition 的 bounding 算法和一种新的基于 activation 的 branching 策略。这些新方法应用于 BaDNB 框架中，比以前的完整验证系统具有更快的效率和更高的可扩展性。

    Apr, 2021

  • 多项式网络完全正确性验证

    通过新的边界方法，我们提出了一种名为 VPN 的算法，具有全局收敛保证，可在 MNIST、CIFAR10 和 STL10 数据集上进行经验证的完整 PN 验证，其关键洞察是我们获得比 IBP 和 DeepT-Fast 更紧密的边界。

    Sep, 2022

  • 分段线性前馈神经网络的形式化验证

    本文提出了一种针对具备分段线性激活函数的前向神经网络进行验证的方法，并使用全局线性逼近对 SMT 求解器和 ILP 求解器进行推理，通过专门设计的验证算法利用推理出的相位信息对网络进行冲突检测和安全节点约束，并在碰撞避免和手写数字识别案例研究中进行了评价。

    May, 2017

  • 贝叶斯神经网络中概率鲁棒性的严格验证

    我们介绍了两种算法，用于计算贝叶斯神经网络（BNNs）的概率鲁棒性的严格保证。

    Jan, 2024

  • 多神经元松驰引导支配界分支定界的完全验证

    提出一种结合多神经元松弛和分支定界 (并运用基于 GPU 的优化器) 的神经网络验证器，将先前的优势综合以解决较大和较有挑战性的网络问题，并在多个基准测试中取得最新的最佳结果。

    Apr, 2022

  • 将神经网络验证扩展到更大的分段线性激活函数家族

    本文扩展了一种现有的神经网络验证技术，以支持更广泛的分段线性激活函数类别，并将原始的算法扩展以提供对以起始集表示的有界输入集的精确结果或上估计结果，并允许无界输入集。我们实施了我们的算法，并在一些案例研究中展示了它们的有效性。

    Nov, 2023