論文の概要: Formal Local Implication Between Two Neural Networks

• arxiv url: http://arxiv.org/abs/2409.16726v2
• Date: Fri, 08 Aug 2025 14:25:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:05.878151
• Title: Formal Local Implication Between Two Neural Networks
• Title（参考訳）: 2つのニューラルネットワーク間の形式的局所的含意
• Authors: Anahita Baninajjar, Ahmed Rezine, Amir Aminifar,
• Abstract要約: 我々は、入力領域全体のDにおいて、2つのネットワーク、すなわちN2がN1を意味する2つのネットワーク間の公式な局所的含意の基盤を確立する。 そこで本稿では,そのような局所的な意味を形式的に検証(確実に正しい)するために,音の定式化を提案する。 MNIST, CIFAR10, および2つの実世界の医療データセットに基づいて定式化を評価する。
• 参考スコア（独自算出の注目度）: 3.208888890455612
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given two neural network classifiers with the same input and output domains, our goal is to compare the two networks in relation to each other over an entire input region (e.g., within a vicinity of an input sample). To this end, we establish the foundation of formal local implication between two networks, i.e., N2 implies N1, in an entire input region D. That is, network N1 consistently makes a correct decision every time network N2 does, and it does so in an entire input region D. We further propose a sound formulation for establishing such formally-verified (provably correct) local implications. The proposed formulation is relevant in the context of several application domains, e.g., for comparing a trained network and its corresponding compact (e.g., pruned, quantized, distilled) networks. We evaluate our formulation based on the MNIST, CIFAR10, and two real-world medical datasets, to show its relevance.
• Abstract（参考訳）: 同じ入力領域と出力領域を持つ2つのニューラルネットワーク分類器が与えられた場合、我々のゴールは、入力領域全体(例えば、入力サンプルの近傍)で2つのネットワークを相互に比較することである。 この目的のために、我々は2つのネットワーク間の正式な局所的含意の基礎を確立し、すなわち、N2が入力領域全体においてN1を暗示する。 提案した定式化は、トレーニングされたネットワークとその対応するコンパクト(eg, pruned, Quantized, distilled)ネットワークを比較するために、いくつかのアプリケーションドメイン(eg )のコンテキストに関係している。 我々は,MNIST,CIFAR10,および2つの実世界の医療データセットに基づいて,その関連性を示す。

関連論文リスト

• BOLDSimNet: Examining Brain Network Similarity between Task and Resting-State fMRI [0.8929680838438819]
  本稿では,BOLDSimNetを用いて,異なる認知状態における因果接続性とネットワークの類似性を測定する。 子どもは、青年期に比べて、課題と休息状態の類似点が高かった。 青年期には, Dorsal Attention Network (DAN) と Default Mode Network (DMN) において, 課題と休息状態の相違がみられた。
  論文  参考訳（メタデータ） (2025-04-02T00:54:55Z)
• Device-independent full network nonlocality for arbitrary-party and unbounded-input scenario [0.0]
  フルネットワーク非局所性(FNN)は、局所非局所モデルでは再現できない量子相関を特徴付ける。 星型および線形鎖型ネットワークにおいて、任意のパーティと無制限のインプットネットワークの不等式をエレガントに導入する。 最適量子違反の導出は完全に解析的であり、量子系の次元を仮定することができない。
  論文  参考訳（メタデータ） (2024-09-28T17:40:34Z)
• Enhancing the "Immunity" of Mixture-of-Experts Networks for Adversarial Defense [6.3712912872409415]
  近年の研究では、敵対的な例に対するディープニューラルネットワーク(DNN)の脆弱性が明らかにされている。 そこで我々は,Mixture-of-Experts (MoE) アーキテクチャを改良した新たな敵防御手法 "Immunity" を提案する。
  論文  参考訳（メタデータ） (2024-02-29T01:27:38Z)
• Sampling-based Distributed Training with Message Passing Neural Network [2.067188682696963]
  ドメイン分割に基づくメッセージパッシングニューラルネットワーク(MPNN)のための分散トレーニングと推論手法を提案する。 我々はDS-MPNN(DとSは分散してサンプリングされる)と呼ばれるスケーラブルなグラフニューラルネットワークを提案し、最大$O(105)のノードをスケーリングできる。
  論文  参考訳（メタデータ） (2024-02-23T05:33:43Z)
• Fast and Exact Enumeration of Deep Networks Partitions Regions [38.72252891333172]
  本稿では,DNの分割領域を正確に列挙する最初の並列アルゴリズムを提案する。 我々の重要な発見の1つは、もし大きな体積を持つ領域だけに関心があるなら、空間の均一なサンプリングは非常に効率的であるということである。
  論文  参考訳（メタデータ） (2024-01-20T09:51:52Z)
• Domain-adaptive Message Passing Graph Neural Network [67.35534058138387]
  クロスネットワークノード分類(CNNC)は、豊富なラベルを持つソースネットワークから知識を転送することで、ラベル不足のターゲットネットワーク内のノードを分類することを目的としている。 本稿では,グラフニューラルネットワーク(GNN)と条件付き対向ドメイン適応を統合したドメイン適応型メッセージパッシンググラフニューラルネットワーク(DM-GNN)を提案する。
  論文  参考訳（メタデータ） (2023-08-31T05:26:08Z)
• Random-Set Neural Networks (RS-NN) [4.549947259731147]
  分類のための新しいランダムセットニューラルネットワーク(RS-NN)を提案する。 RS-NNは、一組のクラス上の確率ベクトルよりも信念関数を予測する。 限られたトレーニングセットによって、機械学習で引き起こされる「緊急」不確実性を符号化する。
  論文  参考訳（メタデータ） (2023-07-11T20:00:35Z)
• Certified Invertibility in Neural Networks via Mixed-Integer Programming [16.64960701212292]
  ニューラルネットワークは敵の攻撃に弱いことが知られている。 ネットワークの決定に影響を与えない大きな、意味のある摂動が存在するかもしれない。 ニューラルネットワーク間の変換における可逆性検証に,我々の知見がどのように役立つかについて議論する。
  論文  参考訳（メタデータ） (2023-01-27T15:40:38Z)
• Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
  本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。 複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。 本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
  論文  参考訳（メタデータ） (2022-09-29T18:25:48Z)
• Robust-by-Design Classification via Unitary-Gradient Neural Networks [66.17379946402859]
  安全クリティカルシステムにおけるニューラルネットワークの使用には、敵攻撃が存在するため、安全で堅牢なモデルが必要である。 任意の入力 x の最小逆摂動を知るか、または同値に、分類境界から x の距離は、分類ロバスト性を評価し、証明可能な予測を与える。 Unitary-Gradient Neural Networkと呼ばれる新しいネットワークアーキテクチャが紹介される。 実験結果から,提案アーキテクチャは符号付き距離を近似し,単一の推論コストでxのオンライン分類が可能であることがわかった。
  論文  参考訳（メタデータ） (2022-09-09T13:34:51Z)
• Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
  ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。 我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。 実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
  論文  参考訳（メタデータ） (2022-07-08T05:07:19Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Measuring Representational Robustness of Neural Networks Through Shared Invariances [45.94090422087775]
  ディープラーニングにおける堅牢性の研究における大きな課題は、与えられたニューラルネットワーク(NN)が不変であるべき無意味な摂動の集合を定義することである。 頑健性に関するほとんどの研究は、そのような摂動を定義する基準モデルとして人間を暗黙的に用いている。 我々の研究は、あるNNが不変であるべき摂動のセットを定義するために、別のリファレンスNNを使用することで、ロバストネスに関する新しい見解を提供する。
  論文  参考訳（メタデータ） (2022-06-23T18:49:13Z)
• AU-NN: ANFIS Unit Neural Network [0.16058099298620418]
  本稿では、個々のニューロンが独立したANFISであるディープニューラルネットワークであるANFISユニットニューラルネットワークについて述べる。 このネットワークの2つのユースケースは、ネットワークの能力をテストするために示される。
  論文  参考訳（メタデータ） (2022-04-21T18:11:34Z)
• 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)
• Experimental demonstration of full network nonlocality in the bilocal scenario [0.0]
  ネットワーク内でのネットワーク非局所相関を実験的に示す。 我々の結果は、量子通信プロトコルにおける非局所性テストの活用の道を開くかもしれない。
  論文  参考訳（メタデータ） (2022-01-17T11:49:26Z)
• A singular Riemannian geometry approach to Deep Neural Networks II. Reconstruction of 1-D equivalence classes [78.120734120667]
  入力空間における出力多様体内の点の事前像を構築する。 我々は、n-次元実空間から(n-1)-次元実空間へのニューラルネットワークマップの場合の簡易性に焦点をあてる。
  論文  参考訳（メタデータ） (2021-12-17T11:47:45Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークの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。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• Learning Autonomy in Management of Wireless Random Networks [102.02142856863563]
  本稿では,任意の数のランダム接続ノードを持つ無線ネットワークにおいて,分散最適化タスクに取り組む機械学習戦略を提案する。 我々は,ネットワークトポロジとは無関係に,前方および後方に計算を行う分散メッセージパスニューラルネットワーク(DMPNN)と呼ばれる,柔軟な深層ニューラルネットワーク形式を開発した。
  論文  参考訳（メタデータ） (2021-06-15T09:03:28Z)
• Full network nonlocality [68.8204255655161]
  ネットワーク内のすべてのリンクが非ローカルリソースを分散するために必要となる相関関係を記述した完全ネットワーク非ローカル性の概念を導入する。 最もよく知られているネットワークベル試験では,ネットワークの非局所性は見られていない。 より一般に、ネットワーク内の局所的および理論に依存しない相関を解析するための確立された手法は、完全なネットワーク非局所性のための十分な条件を導出するために組み合わせることができると指摘する。
  論文  参考訳（メタデータ） (2021-05-19T18:00:02Z)
• A Survey on Assessing the Generalization Envelope of Deep Neural Networks: Predictive Uncertainty, Out-of-distribution and Adversarial Samples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くのアプリケーションで最先端のパフォーマンスを達成する。 入力を受けたDNNが、通常、その決定基準が不透明であるため、正しい出力を提供するかどうかを事前に判断することは困難である。 本調査は,機械学習手法,特にDNNの一般化性能について,大規模フレームワーク内の3つの分野を関連づけるものである。
  論文  参考訳（メタデータ） (2020-08-21T09:12:52Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Slimming Neural Networks using Adaptive Connectivity Scores [28.872080203221934]
  適応接続スコア(SNACS)を用いたスライミングニューラルネットワーク(Slimming Neural Network)と呼ばれる単発完全自動プルーニングアルゴリズムを提案する。 提案手法は,確率的プルーニングの枠組みを基礎となる重み行列の制約と組み合わせたものである。 SNACSは17倍以上高速である。
  論文  参考訳（メタデータ） (2020-06-22T17:45:16Z)

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。