ICLRNov, 2020

快速且完整：使用快速且大规模并行的不完全验证器实现完整神经网络验证

PDF
TL;DR使用反向模式线性松弛基于摄动分析来替代线性规划，在机器学习加速器上实现快速的神经网络形式验证，并通过快速梯度基础收紧过程的结合，有效地使用了 LiRPA。
formal verificationneural networksperturbation analysisgradient based bound tighteningmachine learning accelerators
发现论文，激发创造
  • 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

  • 分支定界用于分段线性神经网络验证

    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

  • 神经网络紧致鲁棒性验证的凸松弛屏障

    本文介绍一种基于凸松弛框架的神经网络强鲁棒性验证算法，通过大量实验发现该算法在已有松弛算法上并没有显著提高，提示了一类算法具有固有的严格验证难度。

    Feb, 2019

  • 可扩展认证鲁棒性及其扰动分析

    本文提出了一种自动框架来使任何神经网络结构都能够进行扰动分析，通过推广现有的 LiRPA 算法，如 CROWN 操作于一般计算图上，实现了 LiRPA 基于认证防御的最新成果，同时减少了计算复杂性。

    Feb, 2020

  • 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

  • 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

  • 用 GPU 加速的机器学习模型验证在电力系统中的应用

    本文介绍了用于检验大规模机器学习模型的计算工具，重点解决了其应用到电力系统问题时出现的困难；作者提出了一种方法可同时验证多个验证问题，并使用双重化程序将线性等式和不等式约束编码到检验问题中。

    Jun, 2023

  • 通过内存高效的半定规划使验证无关网络实现认证

    该论文介绍了一种新的 SDP 算法，利用迭代特征向量方法将其各种操作表达为网络正反向传播。在 MNIST 和 CIFAR-10 数据集上的两个验证矢量网络中，将 L-inf 的验证鲁棒准确性从 1％提高到 88％和从 6％提高到 40％

    Oct, 2020

  • 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

  • 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