多项式网络完全正确性验证

Sep, 2022

Sound and Complete Verification of Polynomial Networks

Elias Abad Rocamora, Mehmet Fatih Sahin, Fanghui Liu, Grigorios G Chrysos, Volkan Cevher

TL;DR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。

Abstract

polynomial networks (PNs) have demonstrated promising performance on face and image recognition recently. However, robustness of PNs is unclear and thus obtaining certificates becomes imperative for enabling their adoption in real-world applications. Existing →

polynomial networks verification bounding method global convergence mnist dataset

发现论文，激发创造

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

DeepBern-Nets: 使用 Bernstein 多项式激活和精确边界传播驯服神经网络认证的复杂性

本文提出了一种基于 Bernstein 多项式的神经网络激活函数 DeepBern-Nets，并设计了新算法 Bern-IBP，用于更有效地计算其输出的紧密界限。实验表明，基于 Bernstein 多项式的激活函数可提高神经网络的证明过程，并在对抗性训练中取得了较高的证明准确性。

May, 2023

多项式网络正则化在图像识别中的应用

本文介绍了一种新型的 Polynomial Networks，使用强正则化方法使其能够在 6 个基准测试中达到与 ResNet 相似的性能，同时更加参数高效且不需要元素激活函数进行训练，旨在探索其正则化方案的具体研究。

Mar, 2023

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

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

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。

Nov, 2020

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

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

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

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

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