神经网络全局鲁棒性验证
通过在网络中加入全局 Lipschitz 边界,文中提出的方法可以快速训练大型强健的神经网络,实现了可证明的最先进的可验证准确性。同时,该方法比最近的可证方法需要的时间和内存少得多,并在在线认证时产生可忽略的成本。
Feb, 2021
本文提出了一个框架和工具来训练满足全局鲁棒性的分类器,并通过逐步引导综合来强制验证全局鲁棒性属性,同时结构分类器作为逻辑规则的集合,并在三个安全数据集上展示了在对分类器性能的影响较小的情况下,训练分类器满足不同的全局鲁棒性属性。
May, 2021
通过利用 PAC 验证框架和统计方法,本研究提出了一种对深度神经网络进行全局鲁棒性评估和验证的高效方法,该方法在评估全局鲁棒性的同时能够有效地找出稀有和多样化的对抗训练的反例。
May, 2024
本文提出了一种用于验证神经网络鲁棒性的新算法 Charon,并通过实验评估其在数百个基准测试中显著优于 AI^2,Reluplex 和 Reluval 等三种最先进的工具。
Apr, 2019
本篇论文提出了一种称之为 DeepGlobal 的全局稳健性验证框架,通过利用 SMT 求解器 Z3 进行实现并进行多重改进,来评估该框架在一系列基准数据集上的有效性和可行性。
Apr, 2023
本文提出了一种基于混合整数规划的验证方法,对分段线性神经网络进行验证,以评估其对于对抗样本的脆弱性;通过紧凑的非线性公式和新颖的预处理算法实现了两到三个数量级的计算速度提升,并成功确定了 MNIST 分类器对于一定幅值下的对抗精度,相较于同类算法提供更好的证明。
Nov, 2017
本文提出了一种新的算法框架,predictor-verifier training,用于训练可验证的神经网络,同时训练两个网络:一个预测网络和一个验证网络以达到最大化输出准确性并满足输入输出特定属性的目标。实验表明,predictor-verifier 架构能够训练出鲁棒性强的神经网络并且训练时间显著减短,在像 MNIST 和 SVHN 这样的小数据集上优于以前的算法,同时能够扩展到 CIFAR-10 并产生首个已知的可验证鲁棒网络。
May, 2018
通过提出一种名为 MixTrain 的新技术,本文旨在大大提高以往可检验证训练的效率,并维持高标准的可靠性,实现了在少量训练时间内,其鲁棒性达到 95.2%,相较于现有的可检验证训练方法快 3 倍,而相对于对抗性训练快 15 倍,并且具有较好的扩展性。
Nov, 2018
对 ReLu 神经网络进行梯度自由攻击可以提供对抗性攻击下的网络鲁棒性评估,相比于之前的最先进方法,可以更紧确地估计网络鲁棒性
Mar, 2019