1 范数鲁棒性的凸神经网络综合

May, 2024

Convex neural network synthesis for robustness in the 1-norm

Ross Drummond, Chris Guiver, Matthew C. Turner

TL;DR通过生成一个确保更稳健的神经网络的近似方法，来解决神经网络的准确性和稳健性之间的权衡关系。该方法是完全凸的，并将其作为半正定规划提出。将其应用于稳健化模型预测控制以验证结果，旨在介绍一种在神经网络准确性和稳健性之间权衡的方法。

Abstract

With neural networks being used to control safety-critical systems, they increasingly have to be both accurate (in the sense of matching inputs to outputs) and robust. However, these two properties are often at o

neural networks safety-critical systems robustness approximation model predictive control

发现论文，激发创造

神经网络优化控制：凸逼近方法

本文介绍使用凸神经网络实现模型精确度和控制可行性之间的平衡，通过设计凸性的循环神经网络来捕获动态系统的时态行为，并且可以通过解决凸问题来实现最优控制器。实验结果表明，该方法在控制应用中具有良好的潜力。

May, 2018

神经网络策略中实施鲁棒控制保证

通过将人工神经网络用于构建通用非线性控制策略并结合凸优化投影层，本论文提出了一种能在保持鲁棒性的同时提高控制系统的平均性能的技术，同时在非鲁棒的深度强化学习（deep RL）方法的最坏情况稳定性方面也有所提高。

Nov, 2020

基于凸优化的神经网络系统安全滤波器设计

通过利用神经网络、凸优化和鲁棒线性模型预测控制，本研究提出了一种新的安全过滤器，以确保神经网络系统在受到建模误差的加性干扰时能保持安全，并通过在非线性摆动系统上的数值实验证明了其有效性。

Aug, 2023

通过闭环控制实现稳健神经网络

本文提出一种通过闭环控制方法解决神经网络鲁棒性问题的方法，通过嵌入数据流形的几何信息和优化控制，以实现对各种数据干扰的鲁棒性，本方法为通过闭环控制提高神经网络鲁棒性的首次尝试。

Feb, 2021

利用二次约束和半定规划进行神经网络的安全验证和鲁棒性分析

通过半定规划的框架来解决对于神经网络在输入不确定性和对抗攻击下的安全性和强鲁棒性认证的问题，通过抽象出激活函数的各种性质，分析其安全性质，解决了保守性和计算效率的平衡问题，并且可以应用于安全认证以外的问题。

Mar, 2019

输入凸神经网络

本文介绍了输入凸性神经网络的架构和方法，通过网络参数的约束使得神经网络输出成为输入的凸函数，实现了高效的推理、优化和学习，在多标签预测、图像完成和强化学习等方面具有更好的性能表现。

Sep, 2016

使用 Lipschitz 界限训练鲁棒神经网络

通过设计一种基于交替方向乘子法的最优化方案来训练多层神经网络，同时鼓励通过保持其利普希茨常数来促进鲁棒性，从而解决基于输入的扰动的效应以及提高神经网络的鲁棒性。该文设计了两个训练程序，最终提供了两个例子来证明这种方法成功地提高了神经网络的鲁棒性。

May, 2020

凸神经网络的奇特案例

本文研究基于凸性的神经网络架构和其对泛化能力和过度拟合的影响，限制权重为非负并使用非递减凸激活函数可以让神经网络自我正则化，克服过度拟合问题，提高性能在图像分类方面的实验表明了这种方法的有效性。

Jun, 2020

生成模型的鲁棒性认证

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

合理神经网络控制器

本文研究了使用合理神经网络控制理论，针对神经反馈环的鲁棒性问题，设计了合理激活函数，并构建了一个内在可凸性结构的合理神经网络，通过对 Sum of Squares 可行性测试进行优化，成功实现了对具有非线性噪声和参数不确定性植物的神经反馈环的稳定化控制

Jul, 2023