神经网络中的原像逼近
本文介绍了第一个有效的边界传播算法 INVPROP,用于在神经网络的线性约束输出集的原像上验证属性,并可以与分支和限制相结合以实现完整性。我们的算法在安全控制区域量化和神经网络中检测超出分配的输入方面具有应用价值,并且在相同硬件上比先前的工作快 2.5 倍,可以找到超过 2500 倍的最紧近似。
Feb, 2023
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
本论文提出了一种可扩展的证明方法 ——ApproxLine,可用于验证涉及生成模型和分类器的非平凡规范,并提供有限的非凸集合或这些集合上的分布的确定性和概率保证。
Apr, 2020
我们研究了神经网络计算的形式验证问题,探讨了其各种鲁棒性和最小化问题。我们提供了一个理论框架,使我们能够在神经网络中转换安全性和效率问题,并分析它们的计算复杂性。我们发现,在半线性设置中,对于分段线性激活函数和使用求和或最大度量时,大多数问题都属于 P 类或最多属于 NP 类。
Mar, 2024
本文研究了神经网络鲁棒性的形式化验证,提出了一种新的双重逼近方法,利用激活函数的低估区间来定义紧逼近边界,并将其实现到了名为 DualApp 的工具中,在不同体系结构的深度神经网络基准测试中,DualApp 方法得到了明显的优化
May, 2023
我们将神经网络的普适逼近定理推广到对于线性表示组不变或等变的映射,以建立一种像网络一样的计算模型,能够在能够逼近任何连续不变 / 等变映射的同时保持不变 / 等变。我们提出了完备的不变 / 等变网络的构造,通过引入中间多项式层,通过 Hilbert 和 Weyl 的定理证明了我们的构造方法。我们提出了适用于 SE(2)群的 “电荷守恒卷积” 模型,并证明其是连续 SE(2)等变信号变换的通用逼近器。
Apr, 2018
本文提出了一种新的基于符号区间传播和变量分裂的分支定界求解器 DPNeurifyFV,该方法采用新的启发式算法来选择区间变量,以改善变量相关性问题,在结合其他改进措施的情况下,可以显著提高深度学习神经网络验证的效率,并在空中碰撞避免网络 ACAS Xu 上实现了运行时改进。
Dec, 2022