Fugu-MT 論文翻訳(概要): DeepCDCL: An CDCL-based Neural Network Verification Framework

論文の概要: DeepCDCL: An CDCL-based Neural Network Verification Framework

arxiv url: http://arxiv.org/abs/2403.07956v1
Date: Tue, 12 Mar 2024 08:07:06 GMT
ステータス: 処理完了
システム内更新日: 2024-03-14 16:54:59.656671
Title: DeepCDCL: An CDCL-based Neural Network Verification Framework
Title（参考訳）: DeepCDCL: CDCLベースのニューラルネットワーク検証フレームワーク
Authors: Zongxin Liu, Pengfei Yang, Lijun Zhang, Xiaowei Huang
Abstract要約: 本稿では, Conflict-Driven Clause Learning (CDCL)アルゴリズムに基づく新しいニューラルネットワーク検証フレームワークであるDeepCDCLを提案する。我々は,CDCLフレームワークの直接適用と比較して冗長な時間消費を低減し,非同期節の学習と管理構造を導入する。
参考スコア（独自算出の注目度）: 19.362978507708966
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Neural networks in safety-critical applications face increasing safety and security concerns due to their susceptibility to little disturbance. In this paper, we propose DeepCDCL, a novel neural network verification framework based on the Conflict-Driven Clause Learning (CDCL) algorithm. We introduce an asynchronous clause learning and management structure, reducing redundant time consumption compared to the direct application of the CDCL framework. Furthermore, we also provide a detailed evaluation of the performance of our approach on the ACAS Xu and MNIST datasets, showing that a significant speed-up is achieved in most cases.
Abstract（参考訳）: 安全クリティカルなアプリケーションにおけるニューラルネットワークは、ほとんど障害を受けにくいため、安全性とセキュリティの懸念が高まっている。本稿では、衝突駆動クロース学習(CDCL)アルゴリズムに基づく新しいニューラルネットワーク検証フレームワークであるDeepCDCLを提案する。我々は,CDCLフレームワークの直接適用と比較して冗長な時間消費を低減し,非同期節の学習と管理構造を導入する。さらに,ACAS Xu および MNIST データセットに対するアプローチの有効性を詳細に評価し,ほとんどの場合において大幅な高速化が達成されていることを示す。

関連論文リスト

C-RADAR: A Centralized Deep Learning System for Intrusion Detection in Software Defined Networks [0.0]
ソフトウェア定義ネットワーク(SDN)における侵入検出におけるディープラーニング(DL)技術の利用を提案する。以上の結果から,DLに基づく手法は,検出精度と計算効率の点で従来の手法よりも優れていた。このテクニックは、新しい攻撃パターンを検出し、SDN全体のセキュリティを改善するためにトレーニングすることができる。
論文参考訳（メタデータ） (2024-08-30T15:39:37Z)
Node Centrality Approximation For Large Networks Based On Inductive Graph Neural Networks [2.4012886591705738]
ネットワーク分析において、クローズネス中央度(CC)とブロードネス中央度(BC)が重要な指標である。大規模なネットワーク上での実践的な実装は、その高速な複雑さのため、計算的に要求される。本稿では,CNCA-IGEモデルを提案する。CNCA-IGEモデルは,CCやBCのメトリクスに基づいてノードをランク付けするインダクティブグラフエンコーダ・デコーダモデルである。
論文参考訳（メタデータ） (2024-03-08T01:23:12Z)
Data Poisoning for In-context Learning [49.77204165250528]
In-context Learning (ICL)は、新しいタスクに適応する革新的な能力として認識されている。本論文は、ICLのデータ中毒に対する感受性の重大な問題について述べる。 ICLの学習メカニズムを活用するために考案された特殊攻撃フレームワークであるICLPoisonを紹介する。
論文参考訳（メタデータ） (2024-02-03T14:20:20Z)
MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文参考訳（メタデータ） (2023-02-02T18:27:20Z)
Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
論文参考訳（メタデータ） (2022-06-20T10:05:38Z)
Algorithm Unrolling for Massive Access via Deep Neural Network with Theoretical Guarantee [30.86806523281873]
大規模アクセスはIoT(Internet of Things)ネットワークにおける重要な設計課題である。我々は、マルチアンテナベースステーション(BS)と多数の単一アンテナIoTデバイスを備えたIoTネットワークの無許可アップリンク伝送を検討する。本稿では,低計算複雑性と高ロバスト性を実現するために,ディープニューラルネットワークに基づく新しいアルゴリズムアンローリングフレームワークを提案する。
論文参考訳（メタデータ） (2021-06-19T05:23:05Z)
Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文参考訳（メタデータ） (2020-08-05T19:29:35Z)
SRDCNN: Strongly Regularized Deep Convolution Neural Network Architecture for Time-series Sensor Signal Classification Tasks [4.950427992960756]
SRDCNN: 時系列分類タスクを実行するために, SRDCNN(Strongly Regularized Deep Convolution Neural Network)をベースとしたディープアーキテクチャを提案する。提案手法の新規性は、ネットワークウェイトが L1 と L2 のノルム法則によって正則化されることである。
論文参考訳（メタデータ） (2020-07-14T08:42:39Z)
Continual Learning in Recurrent Neural Networks [67.05499844830231]
リカレントニューラルネットワーク(RNN)を用いた逐次データ処理における連続学習手法の有効性を評価する。 RNNに弾性重み強化などの重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重み-重そこで本研究では,重み付け手法の性能が処理シーケンスの長さに直接的な影響を受けず,むしろ高動作メモリ要求の影響を受けていることを示す。
論文参考訳（メタデータ） (2020-06-22T10:05:12Z)
Searching Central Difference Convolutional Networks for Face Anti-Spoofing [68.77468465774267]
顔認識システムにおいて、顔の反偽造(FAS)が重要な役割を担っている。最先端のFASメソッドの多くは、スタック化された畳み込みと専門家が設計したネットワークに依存している。ここでは、中央差分畳み込み(CDC)に基づくフレームレベルの新しいFAS手法を提案する。
論文参考訳（メタデータ） (2020-03-09T12:48:37Z)

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。