論文の概要: POLAR: A Polynomial Arithmetic Framework for Verifying Neural-Network Controlled Systems

• arxiv url: http://arxiv.org/abs/2106.13867v1
• Date: Fri, 25 Jun 2021 19:59:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-30 15:04:19.242144
• Title: POLAR: A Polynomial Arithmetic Framework for Verifying Neural-Network Controlled Systems
• Title（参考訳）: POLAR:ニューラルネットワーク制御システムの検証のための多項式算術フレームワーク
• Authors: Chao Huang, Jiameng Fan, Xin Chen, Wenchao Li, Qi Zhu
• Abstract要約: POLARは、ニューラルネットワーク制御システムの有界時間到達性解析のためのtextbfpolynomial textbfarithmetic frameworkである。 POLARは、一連のベンチマークにおいて、現在の最先端技術よりも大幅に優れていることを示す。
• 参考スコア（独自算出の注目度）: 13.027679784551676
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose POLAR, a \textbf{pol}ynomial \textbf{ar}ithmetic framework that leverages polynomial overapproximations with interval remainders for bounded-time reachability analysis of neural network-controlled systems (NNCSs). Compared with existing arithmetic approaches that use standard Taylor models, our framework uses a novel approach to iteratively overapproximate the neuron output ranges layer-by-layer with a combination of Bernstein polynomial interpolation for continuous activation functions and Taylor model arithmetic for the other operations. This approach can overcome the main drawback in the standard Taylor model arithmetic, i.e. its inability to handle functions that cannot be well approximated by Taylor polynomials, and significantly improve the accuracy and efficiency of reachable states computation for NNCSs. To further tighten the overapproximation, our method keeps the Taylor model remainders symbolic under the linear mappings when estimating the output range of a neural network. We show that POLAR can be seamlessly integrated with existing Taylor model flowpipe construction techniques, and demonstrate that POLAR significantly outperforms the current state-of-the-art techniques on a suite of benchmarks.
• Abstract（参考訳）: 本稿では,ニューラルネットワーク制御システム(NNCSs)の有界時間到達性解析に多項式オーバー近似を時間間隔で利用した,テキストbf{pol}ynomial \textbf{ar}ithmetic frameworkであるPOLARを提案する。 標準テイラーモデルを用いた既存の算術手法と比較して,本手法では,連続活性化関数のベルンシュタイン多項式補間法と他の演算のテイラーモデル算術法を組み合わせて,ニューロン出力を層々に重ね合わせて反復的に近似する新しい手法を用いる。 このアプローチは標準テイラーモデルの算術における主な欠点を克服することができる。 テイラー多項式で十分に近似できない関数を扱うことができず、NNCSの到達可能な状態計算の精度と効率を大幅に改善する。 さらに,本手法では,ニューラルネットワークの出力範囲を推定する際に,線形写像下でのテイラーモデル残差を象徴的に保持する。 POLARが既存のTaylorモデルフローパイプ構築技術とシームレスに統合できることを示し、POLARが一連のベンチマークで現在の最先端技術よりも大幅に優れていることを示す。

関連論文リスト

• Machine Learning Optimized Orthogonal Basis Piecewise Polynomial Approximation [0.9208007322096533]
  Piecewise Polynomials (PP) は、軌道計画のようないくつかの工学分野において、点の集合の形で与えられる位置プロファイルを近似するために用いられる。
  論文  参考訳（メタデータ） (2024-03-13T14:34:34Z)
• GINN-LP: A Growing Interpretable Neural Network for Discovering Multivariate Laurent Polynomial Equations [1.1142444517901018]
  本稿では,解釈可能なニューラルネットワークであるGINN-LPを提案する。 私たちの知る限りでは、これは注文に関する事前情報なしで任意の項を発見できる最初のニューラルネットワークである。 GINN-LPは,データセット上での最先端のシンボル回帰手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-12-18T03:44:29Z)
• TMPNN: High-Order Polynomial Regression Based on Taylor Map Factorization [0.0]
  本稿では,テイラー写像の分解に基づく高次回帰を構築する手法を提案する。 UCIオープンアクセスデータセットのベンチマークにより,提案手法が最先端の回帰手法に匹敵する性能を示す。
  論文  参考訳（メタデータ） (2023-07-30T01:52:00Z)
• Distributed Bayesian Learning of Dynamic States [65.7870637855531]
  提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。 逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
  論文  参考訳（メタデータ） (2022-12-05T19:40:17Z)
• A Recursively Recurrent Neural Network (R2N2) Architecture for Learning Iterative Algorithms [64.3064050603721]
  本研究では,リカレントニューラルネットワーク (R2N2) にランゲ・クッタニューラルネットワークを一般化し,リカレントニューラルネットワークを最適化した反復アルゴリズムの設計を行う。 本稿では, 線形方程式系に対するクリロフ解法, 非線形方程式系に対するニュートン・クリロフ解法, 常微分方程式に対するルンゲ・クッタ解法と類似の繰り返しを計算問題クラスの入力・出力データに対して提案した超構造内における重みパラメータの正規化について述べる。
  論文  参考訳（メタデータ） (2022-11-22T16:30:33Z)
• Structured Optimal Variational Inference for Dynamic Latent Space Models [16.531262817315696]
  動的ネットワークの潜在空間モデルについて検討し、その目的は、ペアの内積と潜在位置のインターセプトを推定することである。 後部推論と計算スケーラビリティのバランスをとるために、構造的平均場変動推論フレームワークを検討する。
  論文  参考訳（メタデータ） (2022-09-29T22:10:42Z)
• Active Nearest Neighbor Regression Through Delaunay Refinement [79.93030583257597]
  近接回帰に基づく能動関数近似アルゴリズムを提案する。 我々のActive Nearest Neighbor Regressor (ANNR) は計算幾何学の Voronoi-Delaunay フレームワークに頼り、空間を一定の関数値のセルに分割する。
  論文  参考訳（メタデータ） (2022-06-16T10:24:03Z)
• Provably Efficient Neural Estimation of Structural Equation Model: An Adversarial Approach [144.21892195917758]
  一般化構造方程式モデル(SEM)のクラスにおける推定について検討する。 線形作用素方程式をmin-maxゲームとして定式化し、ニューラルネットワーク(NN)でパラメータ化し、勾配勾配を用いてニューラルネットワークのパラメータを学習する。 提案手法は,サンプル分割を必要とせず,確固とした収束性を持つNNをベースとしたSEMの抽出可能な推定手順を初めて提供する。
  論文  参考訳（メタデータ） (2020-07-02T17:55:47Z)
• Multipole Graph Neural Operator for Parametric Partial Differential Equations [57.90284928158383]
  物理系をシミュレーションするためのディープラーニングベースの手法を使用する際の大きな課題の1つは、物理ベースのデータの定式化である。 線形複雑度のみを用いて、あらゆる範囲の相互作用をキャプチャする、新しいマルチレベルグラフニューラルネットワークフレームワークを提案する。 実験により, 離散化不変解演算子をPDEに学習し, 線形時間で評価できることを確認した。
  論文  参考訳（メタデータ） (2020-06-16T21:56:22Z)
• Formal Synthesis of Lyapunov Neural Networks [61.79595926825511]
  本稿では,リアプノフ関数の自動合成法を提案する。 我々は,数値学習者と記号検証器が相互作用して,確実に正しいリアプノフニューラルネットワークを構築する,反例誘導方式を採用する。 提案手法は,Lyapunov関数を他の手法よりも高速かつ広い空間領域で合成する。
  論文  参考訳（メタデータ） (2020-03-19T17:21:02Z)

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。