論文の概要: Improving Neural Network Verification through Spurious Region Guided Refinement

• arxiv url: http://arxiv.org/abs/2010.07722v1
• Date: Thu, 15 Oct 2020 13:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 03:59:27.165383
• Title: Improving Neural Network Verification through Spurious Region Guided Refinement
• Title（参考訳）: Spurious Region Guided Refinementによるニューラルネットワーク検証の改善
• Authors: Pengfei Yang, Renjue Li, Jianlin Li, Cheng-Chao Huang, Jingyi Wang, Jun Sun, Bai Xue, Lijun Zhang
• Abstract要約: 深層ニューラルネットワークのロバスト性検証のためのスプリアス領域誘導改良手法を提案する。 私たちのゴールは、そのような急激な領域を特定し、それらを抽象化の洗練を導くことです。 我々は,この手法をプロトタイプツールであるDeepSRGRで実装した。
• 参考スコア（独自算出の注目度）: 15.117996572623339
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose a spurious region guided refinement approach for robustness verification of deep neural networks. Our method starts with applying the DeepPoly abstract domain to analyze the network. If the robustness property cannot be verified, the result is inconclusive. Due to the over-approximation, the computed region in the abstraction may be spurious in the sense that it does not contain any true counterexample. Our goal is to identify such spurious regions and use them to guide the abstraction refinement. The core idea is to make use of the obtained constraints of the abstraction to infer new bounds for the neurons. This is achieved by linear programming techniques. With the new bounds, we iteratively apply DeepPoly, aiming to eliminate spurious regions. We have implemented our approach in a prototypical tool DeepSRGR. Experimental results show that a large amount of regions can be identified as spurious, and as a result, the precision of DeepPoly can be significantly improved. As a side contribution, we show that our approach can be applied to verify quantitative robustness properties.
• Abstract（参考訳）: 深層ニューラルネットワークのロバスト性検証のためのスプリアス領域誘導改良手法を提案する。 提案手法は,ネットワーク解析にDeepPoly抽象ドメインを適用することから始まる。 ロバスト性が検証できない場合、結果は決定的ではない。 過剰な近似のため、抽象の計算された領域は、真の反例を含まないという意味では散発的であるかもしれない。 私たちの目標は、そのようなスプリアスな領域を特定し、それらを抽象化の洗練を導くために使うことです。 核となるアイデアは、得られた抽象化の制約を利用してニューロンの新しい境界を推測することである。 これは線形プログラミング技術によって達成される。 新しい境界でDeepPolyを反復的に適用し、刺激的な領域を排除します。 我々は,プロトタイプツールのDeepSRGRにアプローチを実装した。 実験結果から,大量の領域をスプリアスと同定でき,その結果,DeepPolyの精度が著しく向上することが示唆された。 副次的貢献として, 定量的ロバストネス特性の検証に本手法を適用した。

関連論文リスト

• Output Range Analysis for Deep Neural Networks based on Simulated Annealing Processes [0.0]
  本稿では,Deep Neural Networks (DNN) のレンジ推定手法を提案する。 提案手法はDNNにおける局所的幾何学的情報の欠如と非線形性に対処し,多目的性を実現する。 制約的な仮定を避けるための単純でフレンドリーなアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-02T22:47:40Z)
• Provable Bounds on the Hessian of Neural Networks: Derivative-Preserving Reachability Analysis [6.9060054915724]
  本稿では,アクティベーションの異なるニューラルネットワークに適した新しい到達可能性解析手法を提案する。 本手法の重要な特徴は,活性化関数のループ変換により,その単調性を効果的に活用することである。 結果として得られるエンドツーエンドの抽象化は、微分情報を局所的に保存し、小さな入力集合に正確な境界を与える。
  論文  参考訳（メタデータ） (2024-06-06T20:02:49Z)
• Improving Efficiency of Iso-Surface Extraction on Implicit Neural Representations Using Uncertainty Propagation [32.329370320329005]
  Inlicit Neural representations (INR) は、科学的データ削減と可視化に広く用いられている。 レンジ解析は、3次元測地におけるINR上の幾何的クエリの効率を向上する有望な結果を示している。 本稿では,算術規則を再検討し,空間領域内におけるネットワーク出力の確率分布を解析することにより,範囲解析のための改良手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:10:20Z)
• 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)
• Sample Complexity of Nonparametric Off-Policy Evaluation on Low-Dimensional Manifolds using Deep Networks [71.95722100511627]
  深層ニューラルネットワークを用いた強化学習における非政治的評価問題について考察する。 ネットワークサイズを適切に選択することにより、マルコフ決定過程において低次元多様体構造を利用することができることを示す。
  論文  参考訳（メタデータ） (2022-06-06T20:25:20Z)
• Spelunking the Deep: Guaranteed Queries for General Neural Implicit Surfaces [35.438964954948574]
  この研究は、広範囲の既存アーキテクチャに対して、一般的なニューラル暗黙関数でクエリを直接実行するための新しいアプローチを示す。 私たちのキーとなるツールは、ニューラルネットワークへのレンジ分析の適用であり、ネットワークの出力を領域を越えてバウンドするために自動演算ルールを使用します。 得られた境界を用いて、レイキャスト、交差試験、空間階層の構築、高速メッシュ抽出、最近点評価などのクエリを開発する。
  論文  参考訳（メタデータ） (2022-02-05T00:37:08Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Learning Crisp Boundaries Using Deep Refinement Network and Adaptive Weighting Loss [15.867750740607864]
  最近の境界検出モデルは、(物体の輪郭に沿って正確に位置付けられた)「クリップ」境界に焦点を当てている 本稿では,よりリッチな特徴表現と新たな損失関数を実現するために,複数の改良モジュールを積み重ねたDep refinement Network(DRNet)を提案する。 実験の結果,いくつかの利用可能なデータセットの最先端性能が得られた。
  論文  参考訳（メタデータ） (2021-02-02T04:22:35Z)
• Hierarchical Verification for Adversarial Robustness [89.30150585592648]
  正解点$ell_p$ロバスト性検証問題に対する新しいフレームワークを提案する。 LayerCertは、修正線形アクティベーション(ReLU)を用いたディープフィードフォワードネットワークの階層的幾何構造を利用する 提案手法は,GeoCertに比べて,解決すべき凸プログラムの数とサイズを確実に削減できることを示す。
  論文  参考訳（メタデータ） (2020-07-23T07:03:05Z)
• Accurate RGB-D Salient Object Detection via Collaborative Learning [101.82654054191443]
  RGB-Dサリエンシ検出は、いくつかの課題シナリオにおいて素晴らしい能力を示している。 本稿では,エッジ,深度,塩分濃度をより効率的に活用する新しい協調学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-23T04:33:36Z)
• ESPN: Extremely Sparse Pruned Networks [50.436905934791035]
  簡単な反復マスク探索法により,非常に深いネットワークの最先端の圧縮を実現することができることを示す。 本アルゴリズムは,シングルショット・ネットワーク・プルーニング法とロッテ・ティケット方式のハイブリッド・アプローチを示す。
  論文  参考訳（メタデータ） (2020-06-28T23:09:27Z)

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。