本文提出了一种保守的神经网络缩减方法,该方法能够在验证减小的网络的同时,确保验证原始网络,可以适用于任何类型的激活函数,使得网络能够被缩小到不到原来的 5% 的大小,从而显著减少了验证时间。
May, 2023
本文提出了一种神经网络模型减缩的方法,通过精确计算模型减缩精度,将减缩后的神经网络控制器替换成封闭回路系统,进而提高安全验证的计算效率,并通过自适应巡航控制系统的案例验证了方法的有效性。
Jan, 2023
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
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
我们提出了一种基于单纯形方法的技术,用于验证深度神经网络的属性,该方法可以处理非凸的修正线性单元(ReLU)激活函数,成功地验证相对于现有方法已知的规模更大的神经网络,以及用于无人机的下一代空中碰撞避免系统(ACAS Xu)的深度神经网络原型实现。
Feb, 2017
使用二值化神经网络 (BNNs) 的强化学习算法以提高可验证性的方法,解决了神经网络在安全关键场合应用上不可靠的问题。在训练 Atari 环境中的 BNNs 之后,我们验证了其鲁棒性属性。
Mar, 2022
该研究提出了一种基于新颖理论、数据结构和算法设计的增量和完全的 DNN 验证框架,旨在提高完全验证器在更新后的 DNN 上的验证效率。将其实现在名为 IVAN 的工具中,可以在 MNIST 和 CIFAR10 分类器上实现总体几何平均加速比为 2.4 倍,在 ACAS-XU 分类器上实现总体几何平均加速比为 3.8 倍。
Apr, 2023
本篇论文介绍了在安全重要应用领域中使用深度神经网络的问题,针对其可靠性和安全性的担忧,提出了采用形式化验证来保证其运行符合预期,并通过两个方向,即设计可扩展性的验证技术和识别可验证的深度学习系统的设计选择来缓解这一挑战。
Jan, 2018
本文提出了一种通用的神经网络形式验证框架,通过将验证问题转化为最优化问题,并通过我们提出的松弛算法得到可靠的上界,从而可对神经网络的输入和输出属性满足的规范进行形式化验证。
Mar, 2018
本篇论文研究神经网络验证中的协同设计概念,并通过改进权重稀疏性和 ReLU 稳定性的方法,将计算困难的验证问题转化为可处理的问题,并改善了验证的速度,该方法具有普适性。
Sep, 2018