論文の概要: GoTube: Scalable Stochastic Verification of Continuous-Depth Models

• arxiv url: http://arxiv.org/abs/2107.08467v1
• Date: Sun, 18 Jul 2021 14:59:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 15:18:56.682663
• Title: GoTube: Scalable Stochastic Verification of Continuous-Depth Models
• Title（参考訳）: GoTube: 継続的深さモデルのスケーラブルな確率的検証
• Authors: Sophie Gruenbacher, Mathias Lechner, Ramin Hasani, Daniela Rus, Thomas A. Henzinger, Scott Smolka, Radu Grosu
• Abstract要約: 本稿では,連続深度モデルとして定式化された任意の時間連続プロセスの挙動ロバスト性を正式に定量化する新しい検証アルゴリズムを提案する。 このアルゴリズムは、与えられた時間的地平線上でのグローバル最適化(Go)問題の集合を解き、初期状態の球から始まる全てのプロセス実行の集合の密閉(Tube)を構築する。 GoTubeはJAXで実装されており、複雑な継続的深度モデルにスケールするために最適化されている。
• 参考スコア（独自算出の注目度）: 48.81521122215377
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: We introduce a new stochastic verification algorithm that formally quantifies the behavioral robustness of any time-continuous process formulated as a continuous-depth model. The algorithm solves a set of global optimization (Go) problems over a given time horizon to construct a tight enclosure (Tube) of the set of all process executions starting from a ball of initial states. We call our algorithm GoTube. Through its construction, GoTube ensures that the bounding tube is conservative up to a desired probability. GoTube is implemented in JAX and optimized to scale to complex continuous-depth models. Compared to advanced reachability analysis tools for time-continuous neural networks, GoTube provably does not accumulate over-approximation errors between time steps and avoids the infamous wrapping effect inherent in symbolic techniques. We show that GoTube substantially outperforms state-of-the-art verification tools in terms of the size of the initial ball, speed, time-horizon, task completion, and scalability, on a large set of experiments. GoTube is stable and sets the state-of-the-art for its ability to scale up to time horizons well beyond what has been possible before.
• Abstract（参考訳）: 本稿では,連続深度モデルとして定式化された時間連続プロセスの挙動ロバスト性を正式に定量化する,新しい確率的検証アルゴリズムを提案する。 このアルゴリズムは、与えられた時間的地平線上でのグローバル最適化(Go)問題の集合を解き、初期状態の球から始まる全てのプロセス実行の集合の密閉(Tube)を構築する。 アルゴリズムをゴチューブと呼んでいます 建設を通じて、GoTubeは境界管が望ましい確率まで保守的であることを保証している。 GoTubeはJAXで実装されており、複雑な継続的深度モデルにスケールするために最適化されている。 時間連続ニューラルネットワークの高度な到達性解析ツールと比較すると、GoTubeは時間ステップ間の過度な近似誤差を確実に蓄積せず、象徴的なテクニックに固有の悪名高いラッピング効果を避けることができる。 我々は,GoTubeが実験の大規模なセットにおいて,初期球の大きさ,速度,時間水平,タスク完了,スケーラビリティにおいて,最先端の検証ツールを大幅に上回ることを示す。 GoTubeは安定しており、これまで可能だった以上の時間的地平線までスケールアップする能力の最先端を設定できる。

関連論文リスト

• Accelerated zero-order SGD under high-order smoothness and overparameterized regime [79.85163929026146]
  凸最適化問題を解くための新しい勾配のないアルゴリズムを提案する。 このような問題は医学、物理学、機械学習で発生する。 両種類の雑音下で提案アルゴリズムの収束保証を行う。
  論文  参考訳（メタデータ） (2024-11-21T10:26:17Z)
• Streaming Bayes GFlowNets [3.400056739248712]
  ベイズの規則は、新しいデータが到着するたびに後部をスクラッチから再計算することなく、ストリーミング方式で推論の洗練を可能にする。 しかし、実際には、このレシピは、(i)各タイミングで難解な後部を近似し、(i)適切にカプセル化し、(i)後部伝播を可能にする。 本稿では,最近提案されたGFlowNetsを利用して,ストリーミングベイズGFlowNets(SB-GFlowNets)を提案する。
  論文  参考訳（メタデータ） (2024-11-08T15:53:56Z)
• Robustness Analysis of Continuous-Depth Models with Lagrangian Techniques [9.141050828506804]
  本稿では,統計的ラグランジアン検証技術と同様に,一貫した方法で決定性を示す。 それらは、連続深度モデルとして定式化された、いかなる時間連続的なプロセスの振舞いの堅牢さを正式に定量化する。 実験では、LRT、Flow*、CAPDと比較してラグランジアン手法の優れた性能を示し、様々な連続深度モデルのロバスト性解析におけるそれらの使用例を示した。
  論文  参考訳（メタデータ） (2023-08-23T15:30:44Z)
• Quantum dynamics simulations beyond the coherence time on NISQ hardware by variational Trotter compression [0.0]
  我々は,今日のIBM量子ハードウェア上でのハイゼンベルクモデルの時間後力学シミュレーションを実演する。 本稿では,現在のハードウェア上で必要なコスト関数,時間進化状態と変動状態の重なりを計測する方法を示す。 実ハードウェア上でのシミュレーションの実施に加えて,ノイズのない,ノイズの多い古典シミュレーションを用いて,アルゴリズムの性能とスケーリング挙動について検討する。
  論文  参考訳（メタデータ） (2021-12-23T15:44:47Z)
• DeepVideoMVS: Multi-View Stereo on Video with Recurrent Spatio-Temporal Fusion [67.64047158294062]
  提案手法は,提案するビデオストリームに対するオンライン多視点深度予測手法である。 前のタイムステップで計算されたシーン形状情報を現在のタイムステップに伝搬する。 評価指標のほとんどにおいて、既存の最先端のマルチビューステレオ手法よりも優れています。
  論文  参考訳（メタデータ） (2020-12-03T18:54:03Z)
• Sub-linear Regret Bounds for Bayesian Optimisation in Unknown Search Spaces [63.22864716473051]
  本稿では,反復により探索空間を拡大(およびシフト)する新しいBOアルゴリズムを提案する。 理論的には、どちらのアルゴリズムにおいても、累積的後悔は線形以下の速度で増大する。
  論文  参考訳（メタデータ） (2020-09-05T14:24:40Z)
• Balancing Rates and Variance via Adaptive Batch-Size for Stochastic Optimization Problems [120.21685755278509]
  本研究は,ステップサイズの減衰が正確な収束に必要であるという事実と,一定のステップサイズがエラーまでの時間でより速く学習するという事実のバランスをとることを目的とする。 ステップサイズのミニバッチを最初から修正するのではなく,パラメータを適応的に進化させることを提案する。
  論文  参考訳（メタデータ） (2020-07-02T16:02:02Z)
• Online Convex Optimization with Binary Constraints [0.04170934882758551]
  2値決定変数と凸損失関数を用いたオンライン最適化について検討する。 我々は、新しいアルゴリズム、バイナリオンライン勾配降下(bOGD)を設計し、その期待された動的後悔を束縛する。 需要応答に基づく複数のシミュレーションでbOGDの性能を検証した。
  論文  参考訳（メタデータ） (2020-05-05T15:09:26Z)
• Time-varying Gaussian Process Bandit Optimization with Non-constant Evaluation Time [93.6788993843846]
  非定常評価時間を効果的に処理できる新しい時間変化ベイズ最適化アルゴリズムを提案する。 我々の限界は、評価時間列のパターンが問題の難易度に大きな影響を与えることを決定づける。
  論文  参考訳（メタデータ） (2020-03-10T13:28:33Z)

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。