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。
Sep, 2019
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
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。
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
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
本研究提出了一种新的基于图神经网络的分支启发式方法,用于求解组合优化问题中的最小支配团问题,实验结果表明,该方法相较于最小剩余量策略在分支数上表现更优,为使用图神经网络改进传统的 AI 回溯算法提供了新思路。
Nov, 2022
研究表明图神经网络能够有效地表示和学习基于混合整数线性规划的解决策略,其中包括强分支评分。另外,该研究还证明第二阶基因网络结构能够以高准确率和高概率近似强分支评分。
Feb, 2024
本研究提出了一种通过使用过度逼近来减小神经网络规模,以提高神经网络验证技术的框架,并使用反例引导调整逼近,以验证大型神经网络。实验证明,该方法对验证大型神经网络具有很大的潜力。
Oct, 2019
提出了一种生成可验证的神经网络(VNNs)的新框架,该框架通过后训练优化在保留预测性能和鲁棒性之间取得平衡,使得生成的网络在预测性能方面与原始网络相当,并且可以进行验证,以更加高效地建立 VNNs 的强大性。
Dec, 2023
使用深度学习模型在优化流程中的有效性进行了论证,通过将图卷积分支限界与经典的分支限界算法相结合,实现了更快速的解决旅行商问题的路径的识别。
Jun, 2024