論文の概要: Relational DNN Verification With Cross Executional Bound Refinement

• arxiv url: http://arxiv.org/abs/2405.10143v1
• Date: Thu, 16 May 2024 14:35:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-17 13:52:46.367123
• Title: Relational DNN Verification With Cross Executional Bound Refinement
• Title（参考訳）: クロスエクササイズ境界リファインメントを用いたリレーショナルDNN検証
• Authors: Debangshu Banerjee, Gagandeep Singh,
• Abstract要約: 我々は、ディープニューラルネットワーク(DNN)上で定義された関係性を検証することに注力する。 DNNのすべての層における相互実行依存性を利用するスケーラブルな関係検証器RACoonを開発した。
• 参考スコア（独自算出の注目度）: 4.9548303975559485
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We focus on verifying relational properties defined over deep neural networks (DNNs) such as robustness against universal adversarial perturbations (UAP), certified worst-case hamming distance for binary string classifications, etc. Precise verification of these properties requires reasoning about multiple executions of the same DNN. However, most of the existing works in DNN verification only handle properties defined over single executions and as a result, are imprecise for relational properties. Though few recent works for relational DNN verification, capture linear dependencies between the inputs of multiple executions, they do not leverage dependencies between the outputs of hidden layers producing imprecise results. We develop a scalable relational verifier RACoon that utilizes cross-execution dependencies at all layers of the DNN gaining substantial precision over SOTA baselines on a wide range of datasets, networks, and relational properties.
• Abstract（参考訳）: 本稿では,Universal Adversarial Perturbation (UAP)に対する堅牢性,バイナリ文字列分類における最悪のハミング距離などの,ディープニューラルネットワーク(DNN)上で定義された関係性を検証することに注力する。 これらの特性の正確な検証には、同じDNNの複数の実行を推論する必要がある。 しかし、DNN検証における既存の作業のほとんどは、単一の実行上で定義されたプロパティのみを扱うため、結果として、リレーショナルプロパティには不正確である。 リレーショナルDNN検証のための最近の研究はほとんどなく、複数の実行の入力間の線形依存関係をキャプチャするが、不正確な結果をもたらす隠蔽層の出力間の依存関係は利用しない。 我々は,広範囲なデータセット,ネットワーク,およびリレーショナル特性に基づいてSOTAベースラインに対して精度の高い精度を得るため,DNNのすべての層における相互実行依存性を利用するスケーラブルなリレーショナル検証器RACoonを開発した。

関連論文リスト

• Harnessing Neuron Stability to Improve DNN Verification [42.65507402735545]
  我々は最近提案されたDPLLベースの制約DNN検証手法の拡張であるVeriStableを提案する。 完全接続型フィードネットワーク(FNN)、畳み込み型ニューラルネットワーク(CNN)、残留型ネットワーク(ResNet)など、さまざまな課題のあるベンチマークにおいてVeriStableの有効性を評価する。 予備的な結果は、VeriStableは、VNN-COMPの第1および第2のパフォーマーである$alpha$-$beta$-CROWNやMN-BaBなど、最先端の検証ツールよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-19T23:48:04Z)
• A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
  対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。 我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
  論文  参考訳（メタデータ） (2023-10-10T09:39:38Z)
• Benign Overfitting in Deep Neural Networks under Lazy Training [72.28294823115502]
  データ分布が適切に分離された場合、DNNは分類のためのベイズ最適テスト誤差を達成できることを示す。 よりスムーズな関数との補間により、より一般化できることを示す。
  論文  参考訳（メタデータ） (2023-05-30T19:37:44Z)
• Incremental Verification of Neural Networks [3.9661031279983896]
  本稿では,新しい理論,データ構造,アルゴリズムの設計に基づく,インクリメンタルかつ完全なDNN検証のための新しい汎用フレームワークを提案する。 我々の貢献はIVANというツールに実装され、MNISTとCIFAR10の分類に挑戦する上での全体的な幾何平均スピードアップの2.4倍、最先端のベースライン上でのACAS-XU分類器の幾何平均スピードアップの3.8倍となる。
  論文  参考訳（メタデータ） (2023-04-04T15:28:22Z)
• The #DNN-Verification Problem: Counting Unsafe Inputs for Deep Neural Networks [94.63547069706459]
  #DNN-Verification問題は、DNNの入力構成の数を数えることによって安全性に反する結果となる。 違反の正確な数を返す新しい手法を提案する。 安全クリティカルなベンチマークのセットに関する実験結果を示す。
  論文  参考訳（メタデータ） (2023-01-17T18:32:01Z)
• Searching Similarity Measure for Binarized Neural Networks [14.847148292246374]
  バイナリニューラルネットワーク(BNN)は、リソース制限されたデバイスにデプロイされる有望なモデルである。 BNNは難解な精度の劣化に悩まされ、様々な領域で適用が制限される。 遺伝的アルゴリズムに基づくBNN調整類似度尺度の自動探索手法を提案する。
  論文  参考訳（メタデータ） (2022-06-05T06:53:53Z)
• Comparative Analysis of Interval Reachability for Robust Implicit and Feedforward Neural Networks [64.23331120621118]
  我々は、暗黙的ニューラルネットワーク(INN)の堅牢性を保証するために、区間到達可能性分析を用いる。 INNは暗黙の方程式をレイヤとして使用する暗黙の学習モデルのクラスである。 提案手法は, INNに最先端の区間境界伝搬法を適用するよりも, 少なくとも, 一般的には, 有効であることを示す。
  論文  参考訳（メタデータ） (2022-04-01T03:31:27Z)
• Verification-Aided Deep Ensemble Selection [4.290931412096984]
  ディープニューラルネットワーク(DNN)は、様々な複雑なタスクを実現するための選択技術となっている。 正しく分類された入力に対する知覚できない摂動でさえ、DNNによる誤分類につながる可能性がある。 本稿では,同時エラーの少ないアンサンブル構成を同定するための方法論を考案する。
  論文  参考訳（メタデータ） (2022-02-08T14:36:29Z)
• A Biased Graph Neural Network Sampler with Near-Optimal Regret [57.70126763759996]
  グラフニューラルネットワーク(GNN)は、グラフおよびリレーショナルデータにディープネットワークアーキテクチャを適用する手段として登場した。 本論文では,既存の作業に基づいて,GNN近傍サンプリングをマルチアームバンディット問題として扱う。 そこで本研究では,分散を低減し,不安定かつ非限定的な支払いを回避すべく設計されたバイアスをある程度導入した報酬関数を提案する。
  論文  参考訳（メタデータ） (2021-03-01T15:55:58Z)
• Efficient Exact Verification of Binarized Neural Networks [15.639601066641099]
  バイナリニューラルネットワーク(BNN)は、同等の堅牢性を提供し、正確かつはるかに効率的な検証を可能にする。 我々は,BNNの効率的かつ正確な検証を行うための新しいシステムであるEEVを提案する。 非自明な畳み込みBNNのL-inf-bounded adversarial robustnessに対する最初の正確な検証結果を示すことにより、脳波の有効性を実証する。
  論文  参考訳（メタデータ） (2020-05-07T16:34:30Z)
• GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-20T10:09:27Z)

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。