論文の概要: Shared Certificates for Neural Network Verification

• arxiv url: http://arxiv.org/abs/2109.00542v4
• Date: Thu, 23 Nov 2023 11:23:26 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-28 05:17:48.349154
• Title: Shared Certificates for Neural Network Verification
• Title（参考訳）: ニューラルネットワーク検証のための共有証明書
• Authors: Marc Fischer, Christian Sprecher, Dimitar I. Dimitrov, Gagandeep Singh, Martin Vechev
• Abstract要約: 既存のニューラルネットワーク検証器は、与えられた摂動の下で各入力が正しく処理されるという証明を計算する。 このプロセスは、各入力に対して独立してスクラッチから繰り返される。 精度を損なわずにこの検証コストを削減する新しい方法を提案する。
• 参考スコア（独自算出の注目度）: 8.777291205946444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing neural network verifiers compute a proof that each input is handled correctly under a given perturbation by propagating a symbolic abstraction of reachable values at each layer. This process is repeated from scratch independently for each input (e.g., image) and perturbation (e.g., rotation), leading to an expensive overall proof effort when handling an entire dataset. In this work, we introduce a new method for reducing this verification cost without losing precision based on a key insight that abstractions obtained at intermediate layers for different inputs and perturbations can overlap or contain each other. Leveraging our insight, we introduce the general concept of shared certificates, enabling proof effort reuse across multiple inputs to reduce overall verification costs. We perform an extensive experimental evaluation to demonstrate the effectiveness of shared certificates in reducing the verification cost on a range of datasets and attack specifications on image classifiers including the popular patch and geometric perturbations. We release our implementation at https://github.com/eth-sri/proof-sharing.
• Abstract（参考訳）: 既存のニューラルネットワーク検証器は、各層における到達可能な値の象徴的抽象化を伝播することにより、各入力が所定の摂動の下で正しく扱われることを示す。 このプロセスは、各入力(画像など)と摂動(回転など)に対して独立してスクラッチから繰り返されるため、データセット全体を扱う場合のコストがかかる。 本研究では,入力と摂動の異なる中間層で得られる抽象概念が重なり,あるいは互いに包含できるという重要な洞察に基づいて,精度を損なうことなく検証コストを削減する新しい手法を提案する。 この知見を活かして,共有証明書の一般概念を導入し,複数の入力をまたいだ検証作業の再利用を可能にし,検証コストを削減した。 一般的なパッチや幾何学的摂動を含む画像分類器に対する攻撃仕様やデータセットに対する検証コストの低減に有効な共有証明書の有効性を示すための実験的な評価を行った。 実装はhttps://github.com/eth-sri/proof-sharingでリリースします。

関連論文リスト

• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• QGait: Toward Accurate Quantization for Gait Recognition with Binarized Input [17.017127559393398]
  バックプロパゲーション時の円関数の勾配をよりよくシミュレートする,微分可能なソフト量子化器を提案する。 これにより、ネットワークは微妙な入力摂動から学習することができる。 量子化エラーをシミュレートしながら収束を確保するためのトレーニング戦略をさらに洗練する。
  論文  参考訳（メタデータ） (2024-05-22T17:34:18Z)
• Collective Robustness Certificates: Exploiting Interdependence in Graph Neural Networks [71.78900818931847]
  ノード分類、画像分割、名前付き一致認識といったタスクでは、複数の予測を同時に出力する分類器があります。 既存の対向ロバスト性証明は、それぞれの予測を独立に考慮し、従ってそのようなタスクに対して過度に悲観的である。 本稿では,摂動下で安定に保たれることが保証される予測数を計算した最初の集合ロバスト性証明を提案する。
  論文  参考訳（メタデータ） (2023-02-06T14:46:51Z)
• Deepfake Detection via Joint Unsupervised Reconstruction and Supervised Classification [25.84902508816679]
  本稿では,再建作業と分類作業を同時に行うディープフェイク検出手法を提案する。 この方法は、あるタスクによって学習された情報を他のタスクと共有する。 提案手法は,一般的に使用されている3つのデータセットに対して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-11-24T05:44:26Z)
• Localized Randomized Smoothing for Collective Robustness Certification [60.83383487495282]
  我々は、あらゆる種類のモデルに対してより一般的な集合的ロバスト性証明を提案する。 このアプローチは、より大規模なソフトな局所モデルに対して有益であることを示す。 この証明書は、我々の新しい局所的ランダム化平滑化アプローチに基づいている。
  論文  参考訳（メタデータ） (2022-10-28T14:10:24Z)
• ORF-Net: Deep Omni-supervised Rib Fracture Detection from Chest CT Scans [47.7670302148812]
  放射線科医は、スライス・バイ・スライス・バイ・スライス(スライス・バイ・スライス・スライス・バイ・スライス・バイ・スライス・バイ・スライス)に基づいてリブ骨折の調査と注釈を行う必要がある。 そこで本研究では,複数種類の注釈付きデータを利用するOmni教師付きオブジェクト検出ネットワークを提案する。 提案手法は、他の最先端手法よりも一貫して優れている。
  論文  参考訳（メタデータ） (2022-07-05T07:06:57Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Co-mining: Self-Supervised Learning for Sparsely Annotated Object Detection [29.683119976550007]
  我々は,簡潔な注釈付き物体検出のためのシンプルだが効果的な機構であるCo-miningを提案する。 共同マイニングでは、シームズネットワークの2つのブランチが互いに擬似ラベルセットを予測します。 実験は3つの異なるアノテートされた設定でMSデータセット上で行われる。
  論文  参考訳（メタデータ） (2020-12-03T14:23:43Z)
• Unsupervised Metric Relocalization Using Transform Consistency Loss [66.19479868638925]
  メートル法再ローカライズを行うためのトレーニングネットワークは、従来、正確な画像対応が必要である。 地図内のクエリ画像のローカライズは、登録に使用される参照画像に関係なく、同じ絶対的なポーズを与えるべきである。 提案手法は, 限られた地下構造情報が得られる場合に, 他の教師あり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） (2020-11-01T19:24:27Z)

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。