关键词robustness verification
搜索结果 - 10
- 可验证的增强树集合
可验证学习通过训练机器学习模型实现高效的安全验证,该研究从基本集成方法扩展到高级增强树集成,证明了多项式时间内对某些攻击者的强健性验证是可实现的,但对于其他基于范数的攻击者仍然是 NP - 难的。
- 使用奖赏鞅的深度强化学习控制系统的鲁棒性验证
深度强化学习在控制系统领域得到了广泛应用,但其实际应用受到状态扰动的影响,导致系统性能下降。本研究提出了一种基于奖励鞅的鲁棒性验证方法,通过建立数学模型来描述状态扰动对系统性能的影响,为累积奖励问题提供了可靠的数值证明,并证明了奖励鞅可通过 - ICCVTrajPAC: 面向行人轨迹预测模型的鲁棒性验证
我们提供了两种鲁棒性定义(标签鲁棒性和纯鲁棒性),利用 PAC 框架进行鲁棒性验证,并通过 TrajPAC 工具评估了四种最先进的轨迹预测模型在多个场景下的鲁棒性性能。
- 拉格朗日对偶方法评估支持向量机的鲁棒性
提出了一种方法,通过解决拉格朗日对偶问题来形式化支持向量机(SVM)的对抗鲁棒性评估,并在 MNIST 和 Fashion-MNIST 数据集上评估了具有线性和非线性内核的 SVM 的对抗鲁棒性,结果表明该方法的可证明鲁棒性比最先进技术要好 - ICLR神经 ODE 的高效认证训练与鲁棒性检验
提出了一种名为 GAINS 的分析框架,它结合了三个关键思想,基于变量但离散时间步的 ODE 解算器、求解器轨迹的高效图形表示和一种基于该图形表示的新颖抽象算法,可以有效分析高维 NODEs 和提供保证,并将运行时从指数级降至线性对数阶,通 - 利用紧线性逼近证明卷积神经网络的鲁棒性
本文提出了一种紧线性逼近方法 (Ti-Lin) 来验证卷积神经网络的稳健性,使用 MNIST,CIFAR-10 和 Tiny ImageNet 数据集对 Ti-Lin 进行评估,结果表明 Ti-Lin 明显优于其他五种最先进的方法,对纯 C - ICML集成树桩和树的 lp - 范稳健性
本文研究了集成决策树对于一般 $\ell _p$ 范数扰动的鲁棒性验证和认证防御问题,并证明了验证的难度,提出了一种基于动态规划的高效算法以及第一种经验证明有效的防御方法。
- AAAI对抗训练和可证明的鲁棒性:两个目标的故事
提出了一个基于对抗训练和可证明的强健性验证相结合的原则性框架,用于训练可证明强健的神经网络,并开发了一个新的梯度下降技术,可以消除随机多梯度中的偏差。 通过理论分析该技术的收敛性和与现有技术的实验比较,对 MNIST 和 CIFAR-10 - ICLRTransformer 模型健壮性验证
本文提出了一种适用于 Transformer 的鲁棒性验证算法,证明了其结果远优于 Interval Bound Propagation 算法,帮助理解了情感分析中不同单词的重要性。
- 基于树模型的鲁棒性验证
研究基于树的模型的鲁棒性验证问题,包括决策树、随机森林和梯度上升决策树。提出了一种线性时间算法,可以验证单棵树,对于树集合,可以将验证问题建模为一个多部分图上的最大团问题并通过发现图的 boxicity 来求得一个紧密的下限。在 10 个数