論文の概要: Reachability Analysis for Feed-Forward Neural Networks using Face Lattices

• arxiv url: http://arxiv.org/abs/2003.01226v1
• Date: Mon, 2 Mar 2020 22:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-27 04:11:44.496779
• Title: Reachability Analysis for Feed-Forward Neural Networks using Face Lattices
• Title（参考訳）: 顔格子を用いたフィードフォワードニューラルネットワークの到達可能性解析
• Authors: Xiaodong Yang, Hoang-Dung Tran, Weiming Xiang, Taylor Johnson
• Abstract要約: 本稿では,ニューラルネットワークの正確な到達可能な集合を入力集合に並列化する手法を提案する。 我々の手法は、出力セットが与えられた完全な入力セットを構築することができ、安全違反につながる任意の入力を追跡することができる。
• 参考スコア（独自算出の注目度）: 10.838397735788245
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have been widely applied as an effective approach to handle complex and practical problems. However, one of the most fundamental open problems is the lack of formal methods to analyze the safety of their behaviors. To address this challenge, we propose a parallelizable technique to compute exact reachable sets of a neural network to an input set. Our method currently focuses on feed-forward neural networks with ReLU activation functions. One of the primary challenges for polytope-based approaches is identifying the intersection between intermediate polytopes and hyperplanes from neurons. In this regard, we present a new approach to construct the polytopes with the face lattice, a complete combinatorial structure. The correctness and performance of our methodology are evaluated by verifying the safety of ACAS Xu networks and other benchmarks. Compared to state-of-the-art methods such as Reluplex, Marabou, and NNV, our approach exhibits a significantly higher efficiency. Additionally, our approach is capable of constructing the complete input set given an output set, so that any input that leads to safety violation can be tracked.
• Abstract（参考訳）: ディープニューラルネットワークは、複雑で実用的な問題に対処するための効果的なアプローチとして広く応用されてきた。 しかしながら、最も根本的なオープンな問題の1つは、行動の安全性を分析するための正式な方法の欠如である。 そこで本研究では,ニューラルネットワークの正確な到達可能集合を入力集合に計算する並列化手法を提案する。 本手法は現在,reluアクティベーション機能を備えたフィードフォワードニューラルネットワークに焦点を当てている。 ポリトープに基づくアプローチの主な課題の1つは、中間のポリトープとニューロンからの超平面との交点を特定することである。 そこで本研究では,完全組合せ構造である面格子を持つポリトープを構成する新しい手法を提案する。 提案手法の正しさと性能は,ACAS Xuネットワークや他のベンチマークの安全性を検証することによって評価する。 Reluplex, Marabou, NNVといった最先端の手法と比較して, 本手法は高い効率性を示す。 さらに,提案手法では,出力セットが与えられた入力セットの完全な構成が可能であり,安全違反につながる任意の入力を追跡できる。

関連論文リスト

• A neural network approach for solving the Monge-Ampère equation with transport boundary condition [0.0]
  本稿では,輸送境界条件でモンジュ・アンペア方程式を解くためのニューラルネットワークに基づく新しい手法を提案する。 我々は、方程式の残差、境界条件、凸性制約を含む損失関数を最小化することにより、多層パーセプトロンネットワークを利用して近似解を学習する。
  論文  参考訳（メタデータ） (2024-10-25T11:54:00Z)
• An Efficient Learning-based Solver Comparable to Metaheuristics for the Capacitated Arc Routing Problem [67.92544792239086]
  我々は,高度メタヒューリスティックスとのギャップを著しく狭めるため,NNベースの解法を導入する。 まず,方向対応型注意モデル(DaAM)を提案する。 第2に、教師付き事前学習を伴い、堅牢な初期方針を確立するための教師付き強化学習スキームを設計する。
  論文  参考訳（メタデータ） (2024-03-11T02:17:42Z)
• Robust Stochastically-Descending Unrolled Networks [85.6993263983062]
  Deep Unrolling(ディープ・アンローリング)は、トレーニング可能なニューラルネットワークの層に切り捨てられた反復アルゴリズムをアンロールする、新たな学習最適化手法である。 アンロールネットワークの収束保証と一般化性は、いまだにオープンな理論上の問題であることを示す。 提案した制約の下で訓練されたアンロールアーキテクチャを2つの異なるアプリケーションで数値的に評価する。
  論文  参考訳（メタデータ） (2023-12-25T18:51:23Z)
• Optimizing Solution-Samplers for Combinatorial Problems: The Landscape of Policy-Gradient Methods [52.0617030129699]
  本稿では,DeepMatching NetworksとReinforcement Learningメソッドの有効性を解析するための新しい理論フレームワークを提案する。 我々の主な貢献は、Max- and Min-Cut、Max-$k$-Bipartite-Bi、Maximum-Weight-Bipartite-Bi、Traveing Salesman Problemを含む幅広い問題である。 本分析の副産物として,バニラ降下による新たな正則化プロセスを導入し,失効する段階的な問題に対処し,悪い静止点から逃れる上で有効であることを示す理論的および実験的証拠を提供する。
  論文  参考訳（メタデータ） (2023-10-08T23:39:38Z)
• Automated Reachability Analysis of Neural Network-Controlled Systems via Adaptive Polytopes [2.66512000865131]
  適応テンプレートポリトープを用いたニューラルネットワーク動的システムの到達可能な集合を過度に近似する新しい手法を開発した。 本稿では,ニューラルネットワークコントローラによって駆動される線形システムの到達可能性解析における提案手法の有用性について述べる。
  論文  参考訳（メタデータ） (2022-12-14T23:49:53Z)
• Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
  我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。 我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
  論文  参考訳（メタデータ） (2022-10-14T19:31:39Z)
• Imbedding Deep Neural Networks [0.0]
  ニューラルODEのような連続深度ニューラルネットワークは、非線形ベクトル値の最適制御問題の観点から、残留ニューラルネットワークの理解を再燃させた。 本稿では,ネットワークの深さを基本変数とする新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-01-31T22:00:41Z)
• Learning to Detect Critical Nodes in Sparse Graphs via Feature Importance Awareness [53.351863569314794]
  クリティカルノード問題(CNP)は、削除が残余ネットワークのペア接続性を最大に低下させるネットワークから臨界ノードの集合を見つけることを目的としている。 本研究は,ノード表現のための特徴重要度対応グラフアテンションネットワークを提案する。 ダブルディープQネットワークと組み合わせて、初めてCNPを解くエンドツーエンドのアルゴリズムを作成する。
  論文  参考訳（メタデータ） (2021-12-03T14:23:05Z)
• Reachability Analysis of Convolutional Neural Networks [10.384532888747993]
  入力領域が与えられたネットワークの正確な到達可能な集合を計算するためのアプローチを提案する。 私たちのアプローチは、出力到達可能なセットが与えられた入力ドメインへのバックトラックも可能です。 到達可能な集合の高速計算を行う高速解析手法も提案されている。
  論文  参考訳（メタデータ） (2021-06-22T21:42:00Z)
• Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
  検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。 また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
  論文  参考訳（メタデータ） (2020-04-17T20:21:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。