Fugu-MT 論文翻訳(概要): Convex neural network synthesis for robustness in the 1-norm

論文の概要: Convex neural network synthesis for robustness in the 1-norm

arxiv url: http://arxiv.org/abs/2405.19029v1
Date: Wed, 29 May 2024 12:17:09 GMT
ステータス: 処理完了
システム内更新日: 2024-05-30 17:20:29.665944
Title: Convex neural network synthesis for robustness in the 1-norm
Title（参考訳）: 1ノルムにおける強靭性のための凸ニューラルネットワーク合成
Authors: Ross Drummond, Chris Guiver, Matthew C. Turner,
Abstract要約: 本稿では,より堅牢なニューラルネットワークの近似を生成する手法を提案する。モデル予測制御の堅牢化への応用は、その結果を示すために用いられる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With neural networks being used to control safety-critical systems, they increasingly have to be both accurate (in the sense of matching inputs to outputs) and robust. However, these two properties are often at odds with each other and a trade-off has to be navigated. To address this issue, this paper proposes a method to generate an approximation of a neural network which is certifiably more robust. Crucially, the method is fully convex and posed as a semi-definite programme. An application to robustifying model predictive control is used to demonstrate the results. The aim of this work is to introduce a method to navigate the neural network robustness/accuracy trade-off.
Abstract（参考訳）: ニューラルネットワークが安全クリティカルなシステムを制御するために使われるようになると、正確さ(入力を出力にマッチさせるという意味で)と堅牢さの両方がますます必要になる。しかし、これらの2つの性質は互いに相反することが多く、トレードオフをナビゲートする必要がある。そこで本研究では,より堅牢なニューラルネットワークの近似を生成する手法を提案する。重要なことに、この方法は完全な凸であり、半確定的なプログラムとして表される。モデル予測制御の堅牢化への応用は、その結果を示すために用いられる。この研究の目的は、ニューラルネットワークの堅牢性/正確性トレードオフをナビゲートする方法を導入することである。

関連論文リスト

Approximation with Random Shallow ReLU Networks with Applications to Model Reference Adaptive Control [0.0]
ランダムに生成される重みとバイアスを持つReLUネットワークは、高い確率で$O(m-1/2)$の誤りを生じることを示す。本稿では,モデル参照適応制御アプリケーションにおいて,必要な精度を近似するために,その結果をどのように利用できるかを示す。
論文参考訳（メタデータ） (2024-03-25T19:39:17Z)
On the Convergence of Locally Adaptive and Scalable Diffusion-Based Sampling Methods for Deep Bayesian Neural Network Posteriors [2.3265565167163906]
ベイズニューラルネットワークは、ディープニューラルネットワークにおける不確実性をモデル化するための有望なアプローチである。ニューラルネットワークの後部分布からサンプルを生成することは大きな課題ですこの方向の進歩の1つは、モンテカルロ・マルコフ連鎖サンプリングアルゴリズムへの適応的なステップサイズの導入である。本稿では,これらの手法が,ステップサイズやバッチサイズが小さくても,サンプリングした分布にかなりの偏りがあることを実証する。
論文参考訳（メタデータ） (2024-03-13T15:21:14Z)
Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文参考訳（メタデータ） (2023-10-02T03:25:32Z)
Convex Dual Theory Analysis of Two-Layer Convolutional Neural Networks with Soft-Thresholding [15.514556290714053]
ソフトスレッディングはニューラルネットワークで広く使われている。ソフトなニューラルネットワークネットワークを融合させる新しい方法が提示される。この研究は、ソフトニューラルネットワークを凸化する新しい方法を提供する。
論文参考訳（メタデータ） (2023-04-14T07:04:07Z)
Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。トラクタブル回路において,これを効率的に計算する方法を示す。我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
論文参考訳（メタデータ） (2023-02-28T00:04:22Z)
CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
論文参考訳（メタデータ） (2022-08-25T03:36:20Z)
Robust Training and Verification of Implicit Neural Networks: A Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングとロバスト性検証のための理論的および計算的枠組みを提案する。組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。 MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文参考訳（メタデータ） (2022-08-08T03:13:24Z)
Generating Probabilistic Safety Guarantees for Neural Network Controllers [30.34898838361206]
ダイナミクスモデルを使用して、ニューラルネットワークコントローラが安全に動作するために保持する必要がある出力プロパティを決定します。ニューラルネットワークポリシの近似を効率的に生成するための適応的検証手法を開発した。本手法は,航空機衝突回避ニューラルネットワークの確率的安全性を保証することができることを示す。
論文参考訳（メタデータ） (2021-03-01T18:48:21Z)
Learning Neural Network Subspaces [74.44457651546728]
近年の観測は,ニューラルネットワーク最適化の展望の理解を深めている。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。 1つのモデルのトレーニングと同じ計算コストで、高精度ニューラルネットワークの線、曲線、単純軸を学習します。
論文参考訳（メタデータ） (2021-02-20T23:26:58Z)
Do Wider Neural Networks Really Help Adversarial Robustness? [92.8311752980399]
モデルロバスト性は自然精度と摂動安定性のトレードオフと密接に関係していることを示す。本稿では,ワイドモデル上でラムダ$を適応的に拡大するWidth Adjusted Regularization(WAR)手法を提案する。
論文参考訳（メタデータ） (2020-10-03T04:46:17Z)
Hidden Cost of Randomized Smoothing [72.93630656906599]
本稿では、現在のランダム化平滑化による副作用を指摘する。具体的には,1)スムーズな分類器の決定境界が小さくなり,クラスレベルでの精度の相違が生じること,2)学習過程における雑音増強の適用は,一貫性のない学習目的による縮小問題を必ずしも解決しない,という2つの主要なポイントを具体化し,証明する。
論文参考訳（メタデータ） (2020-03-02T23:37:42Z)

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。