論文の概要: LEVIS: Large Exact Verifiable Input Spaces for Neural Networks
- arxiv url: http://arxiv.org/abs/2408.08824v1
- Date: Fri, 16 Aug 2024 16:15:57 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 14:53:53.777080
- Title: LEVIS: Large Exact Verifiable Input Spaces for Neural Networks
- Title(参考訳): LEVIS: ニューラルネットワークのための大規模な検証可能な入力空間
- Authors: Mohamad Fares El Hajj Chehade, Brian Wesley Bell, Russell Bent, Hao Zhu, Wenting Li,
- Abstract要約: ニューラルネットワークの堅牢性は、安全クリティカルなアプリケーションにおいて最重要である。
我々は、$textttLEVIS$-$beta$を含む新しいフレームワーク、$textttLEVIS$を紹介します。
我々は、$textttLEVIS$-$alpha$と$textttLEVIS$-$beta$で得られた検証可能な球の性質を理論的に解析する。
- 参考スコア(独自算出の注目度): 8.673606921201442
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The robustness of neural networks is paramount in safety-critical applications. While most current robustness verification methods assess the worst-case output under the assumption that the input space is known, identifying a verifiable input space $\mathcal{C}$, where no adversarial examples exist, is crucial for effective model selection, robustness evaluation, and the development of reliable control strategies. To address this challenge, we introduce a novel framework, $\texttt{LEVIS}$, comprising $\texttt{LEVIS}$-$\alpha$ and $\texttt{LEVIS}$-$\beta$. $\texttt{LEVIS}$-$\alpha$ locates the largest possible verifiable ball within the central region of $\mathcal{C}$ that intersects at least two boundaries. In contrast, $\texttt{LEVIS}$-$\beta$ integrates multiple verifiable balls to encapsulate the entirety of the verifiable space comprehensively. Our contributions are threefold: (1) We propose $\texttt{LEVIS}$ equipped with three pioneering techniques that identify the maximum verifiable ball and the nearest adversarial point along collinear or orthogonal directions. (2) We offer a theoretical analysis elucidating the properties of the verifiable balls acquired through $\texttt{LEVIS}$-$\alpha$ and $\texttt{LEVIS}$-$\beta$. (3) We validate our methodology across diverse applications, including electrical power flow regression and image classification, showcasing performance enhancements and visualizations of the searching characteristics.
- Abstract(参考訳): ニューラルネットワークの堅牢性は、安全クリティカルな応用において最重要である。
現在のロバスト性検証手法の多くは、入力空間が知られているという仮定の下で最悪の場合の出力を評価するが、検証可能な入力空間 $\mathcal{C}$ を同定することは、効果的なモデル選択、ロバスト性評価、信頼性の高い制御戦略の開発に不可欠である。
この課題に対処するために、$\texttt{LEVIS}$-$\alpha$と$\texttt{LEVIS}$-$\beta$からなる新しいフレームワークである$\texttt{LEVIS}$を紹介します。
$\texttt{LEVIS}$-$\alpha$は、少なくとも2つの境界を交差する$\mathcal{C}$の中心領域内の最大の検証可能な球を見つける。
対照的に、$\texttt{LEVIS}$-$\beta$ は複数の検証可能な球を統合して、検証可能な空間全体を包括的にカプセル化する。
1) 最大検証可能な球と最も近い逆点を直交方向または直交方向に沿って識別する3つの先駆的手法を備えた$\texttt{LEVIS}$を提案する。
2) 検証可能な球の性質を$\texttt{LEVIS}$-$\alpha$と$\texttt{LEVIS}$-$\beta$で決定する理論的解析を行う。
3) 電力フローの回帰, 画像分類, 性能向上, 探索特性の可視化など, 多様な応用にまたがる方法論を検証した。
関連論文リスト
- Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。
我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。
また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
論文 参考訳(メタデータ) (2024-07-15T05:46:44Z) - Uncertainty of Joint Neural Contextual Bandit [0.41436032949434404]
本稿では,1つのモデルにおける全ての推奨項目を補完する,結合型ニューラルネットワークのコンテキスト的包帯解について述べる。
パラメータ $alpha$ のチューニングは通常、その性質のため、実際は複雑である。
我々は, 統合神経コンテキストバンドモデルの不確実性$sigma$に関する理論的解析と実験的知見の両方を提供する。
論文 参考訳(メタデータ) (2024-06-04T17:38:24Z) - Bayesian Inference with Deep Weakly Nonlinear Networks [57.95116787699412]
我々は,完全連結ニューラルネットワークによるベイズ推定が解けることを示す物理レベルの厳密さを示す。
我々はモデルエビデンスを計算し、任意の温度で1/N$で任意の順序に後続する手法を提供する。
論文 参考訳(メタデータ) (2024-05-26T17:08:04Z) - Efficient Solution of Point-Line Absolute Pose [52.775981113238046]
点や線である可能性のある特徴間の3D--2D対応に基づくポーズ推定の特定の問題を再検討する。
得られた解法は数値的に安定かつ高速であることを示す。
論文 参考訳(メタデータ) (2024-04-25T12:09:16Z) - Scalable Primal-Dual Actor-Critic Method for Safe Multi-Agent RL with
General Utilities [12.104551746465932]
安全マルチエージェント強化学習について検討し、エージェントはそれぞれの安全制約を満たしつつ、局所的な目的の総和をまとめて最大化しようとする。
我々のアルゴリズムは、$mathcalOleft(T-2/3right)$のレートで1次定常点(FOSP)に収束する。
サンプルベースの設定では、高い確率で、我々のアルゴリズムは、$epsilon$-FOSPを達成するために$widetildemathcalOleft(epsilon-3.5right)$サンプルが必要です。
論文 参考訳(メタデータ) (2023-05-27T20:08:35Z) - Exploring Active 3D Object Detection from a Generalization Perspective [58.597942380989245]
不確実性に基づくアクティブな学習ポリシーは、ポイントクラウドの情報性とボックスレベルのアノテーションコストの間のトレードオフのバランスを取れません。
冗長な3次元境界ボックスラベルの点群を階層的にフィルタリングするtextscCrbを提案する。
実験により,提案手法が既存のアクティブラーニング戦略より優れていることが示された。
論文 参考訳(メタデータ) (2023-01-23T02:43:03Z) - Graph Neural Networks for Multimodal Single-Cell Data Integration [32.8390339109358]
本稿では,3つのタスクに対処するため,一般的なグラフニューラルネットワークフレームワークであるtextitscMoGNN$を提案する。
textitscMoGNN$は、最先端および従来のアプローチと比較して、3つのタスクで優れた結果を示す。
論文 参考訳(メタデータ) (2022-03-03T17:59:02Z) - Certifiably Robust Interpretation via Renyi Differential Privacy [77.04377192920741]
我々はRenyi差分プライバシー(RDP)の新しい視点から解釈堅牢性の問題を研究する。
まず、証明可能で証明可能なトップ$k$ロバスト性を提供する。
第二に、提案手法は既存の手法よりも実験的堅牢性を$sim10%$で提供する。
第3に,ロバスト性と計算効率のトレードオフを円滑に行うことができる。
論文 参考訳(メタデータ) (2021-07-04T06:58:01Z) - Provable Robust Classification via Learned Smoothed Densities [1.599072005190786]
雑音の測定値から、$widehatx(Y)$, $textitBayes estimator$$ $X$という、ロバストな分類の問題を定式化する。
学習されたスムーズなエネルギー関数と線形分類器により、経験的防御と競合する堅牢な精度の証明可能な$ellを達成できることが示される。
論文 参考訳(メタデータ) (2020-05-09T19:52:32Z) - Naive Exploration is Optimal for Online LQR [49.681825576239355]
最適後悔尺度は$widetildeTheta(sqrtd_mathbfu2 d_mathbfx T)$で、$T$は時間ステップの数、$d_mathbfu$は入力空間の次元、$d_mathbfx$はシステム状態の次元である。
我々の下界は、かつての$mathrmpoly(logT)$-regretアルゴリズムの可能性を排除する。
論文 参考訳(メタデータ) (2020-01-27T03:44:54Z)
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。