关键词interval bound propagation
搜索结果 - 13
- 目标检测的验证 —— IBP IoU
我们介绍了一种新颖的区间边界传播(IBP)方法,用于形式验证物体检测模型,特别针对 IoU 指标。该方法已在名为 IBP IoU 的开源代码中实现,与流行的基于抽象解释的验证工具兼容。我们通过对着陆进场跑道检测和手写数字识别案例研究进行评估 - 理解带间隔传播的认证培训
该论文研究了基于粗略区间边界传播(IBP)的证明训练方法,探讨了其较高的成功率和紧密性机制,并说明了其在可证明的训练中鲜明的鲁棒性和准确性之间的权衡。
- AAAI量化感知区间边界传播用于训练可证明鲁棒性的量化神经网络
本文研究了在保证噪声攻击后的量化神经网络的训练和认证问题,并提出了一个能够完全利用 GPU 加速的 QA-IBP 训练方法和验证流程,大大优于现有方法,已成为量化神经网络鲁棒性训练和认证新的标准。
- ICML基于分支定界的 IBP 正则化方法实现验证性对抗攻击鲁棒性
IBP-R 是一种新颖的验证训练算法, 使用扩大的域上的对抗攻击和正则化术语,并使用廉价的间隔边界传播来最小化非凸验证问题与其近似之间的差距。通过利用最近的分支换框架,我们展示了 IBP-R 获取了 CIFAR-10 上小扰动的最新验证鲁棒 - ICLR关于使用区间边界传播进行有保证鲁棒性训练的收敛性
本研究就 Interval Bound Propagation 的训练过程进行了理论分析,证明了当神经网络使用该方法进行训练时,具有一定的鲁棒性保证,并可以在有足够小的扰动半径和大网络宽度的情况下,使用梯度下降法线性收敛到零的鲁棒训练误差。
- CVPR评估和训练可验证的强鲁棒性神经网络
本篇研究旨在探究 interval bound propagation 和 CROWN 的关系,并证明线性绑定线是比 IBP 更紧的。进一步提出 CROWN 的放松版本 LBP,它可以用于验证大型网络以获得比 IBP 更低的验证误差。我们还 - 短暖身快速可靠训练
本文提出了三种改进的 IBP 方法:权重初始化方法、在每个图层中完全添加批量归一化以减少 ReLU 激活状态的不平衡,设计正则化以在 wamrup 期间显式加紧证明的范围并平衡 ReLU 激活状态。使用很短的训练计划(分别为 160 和 8 - 证明对抗性强鲁棒性的越界数据检测
本文旨在通过使用区间界传播 (IBP) 来确保拥有可证明的最坏情况保证 (out-of-distribution detection),该技术不仅在 OOD 点处实现低置信度,还在一个 l∞球的周围实现低置信度。实验结果表明,相比于认证对抗 - (去) 随机化平滑处理:针对补丁攻击的可证明防御
本研究介绍了一种针对图像贴片对抗攻击的可证明防御方法,并通过对以往方法的比较,证明了该方法在 CIFAR-10 和 ImageNet 上能有效提高防御水平,是当前领先的防御方法之一。
- ICLR带有认证网络的通用逼近
本文证明了对于任何连续函数 f,都存在一个网络 n,使得 n 能够逼近 f 并在 n 中通过简单区间传播得到的在区间 B 上的输出结果能够任意接近 f 在 B 上的最优值。这个结果可视为针对间隔认证 ReLU 网络的通用逼近定理。据我们所知 - EMNLP对抗性词语替换的可验证鲁棒性
本文利用 Interval Bound Propagation(IBP)训练了第一个能够抵御包括词语替换在内的 label-preserving 转换攻击的 NLP 模型,该模型在情感分析与自然语言推理任务上取得了 75% 的对抗准确率,远 - ICLR鲁棒训练的预期紧界
通过期望较紧的下界(ETB),我们可以将 IBP 的置信区间传播方法扩展到更深的神经网络,通过简单的标准训练程序在 MNIST 和 CIFAR10 上实现了令人印象深刻的鲁棒性 - 准确性平衡。
- ICCV区间传播对于训练可验证鲁棒性模型的有效性研究
通过分析,我们展示了如何利用一种简单的边界技术(interval bound propagation,IBP)来训练大型保正可证神经网络,从而打败了验证准确率最高的现有技术,在 MNIST,CIFAR-10 和 SVHN 数据集上达到了最先