Fugu-MT 論文翻訳(概要): Robustness of Deep ReLU Networks to Misclassification of High-Dimensional Data

論文の概要: Robustness of Deep ReLU Networks to Misclassification of High-Dimensional Data

arxiv url: http://arxiv.org/abs/2602.18674v1
Date: Sat, 21 Feb 2026 00:55:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-24 17:42:02.230743
Title: Robustness of Deep ReLU Networks to Misclassification of High-Dimensional Data
Title（参考訳）: 高次元データの誤分類に対する深部ReLUネットワークのロバスト性
Authors: Věra Kůrková,
Abstract要約: 入力の小さな加法的ランダム摂動が誤分類をもたらす確率を定量化することにより、与えられたネットワーク入力における局所ロバスト性を分析する。整合線形単位を持つディープネットワークでは、入力次元とネットワーク単位の総数の観点から局所ロバスト性に対する低い境界を導出する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: We present a theoretical study of the robustness of parameterized networks to random input perturbations. Specifically, we analyze local robustness at a given network input by quantifying the probability that a small additive random perturbation of the input leads to misclassification. For deep networks with rectified linear units, we derive lower bounds on local robustness in terms of the input dimensionality and the total number of network units.
Abstract（参考訳）: 本稿では,パラメータ化ネットワークのランダム入力摂動に対するロバスト性に関する理論的研究を行う。具体的には、入力の小さな加法的ランダム摂動が誤分類につながる確率を定量化することにより、所定のネットワーク入力における局所ロバスト性を分析する。整合線形単位を持つディープネットワークでは、入力次元とネットワーク単位の総数の観点から局所ロバスト性に対する低い境界を導出する。

関連論文リスト

Network Inversion of Binarised Neural Nets [3.5571131514746837]
ニューラルネットワークの出力マッピングに対する入力のブラックボックスの性質を解明する上で、ネットワークの反転は重要な役割を担っている。本稿では,ネットワークの構造をキャプチャするCNF式に符号化することで,訓練されたBNNを逆転させる新しい手法を提案する。
論文参考訳（メタデータ） (2024-02-19T09:39:54Z)
Set-Based Training for Neural Network Verification [8.97708612393722]
小さな入力摂動はニューラルネットワークの出力に大きな影響を与える。安全クリティカルな環境でのニューラルネットワークの安全性を確保するためには、ニューラルネットワークの堅牢性を検証する必要がある。本稿では,可能な出力の集合を計算するための,新しいセットベーストレーニング手順を提案する。
論文参考訳（メタデータ） (2024-01-26T15:52:41Z)
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)
Computational Complexity of Learning Neural Networks: Smoothness and Degeneracy [52.40331776572531]
ガウス入力分布下での学習深度3$ReLUネットワークはスムーズな解析フレームワークにおいても困難であることを示す。この結果は, 局所擬似乱数発生器の存在についてよく研究されている。
論文参考訳（メタデータ） (2023-02-15T02:00:26Z)
Certified Invertibility in Neural Networks via Mixed-Integer Programming [16.64960701212292]
ニューラルネットワークは敵の攻撃に弱いことが知られている。ネットワークの決定に影響を与えない大きな、意味のある摂動が存在するかもしれない。ニューラルネットワーク間の変換における可逆性検証に,我々の知見がどのように役立つかについて議論する。
論文参考訳（メタデータ） (2023-01-27T15:40:38Z)
Variational Neural Networks [88.24021148516319]
本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
論文参考訳（メタデータ） (2022-07-04T15:41:02Z)
On the Effective Number of Linear Regions in Shallow Univariate ReLU Networks: Convergence Guarantees and Implicit Bias [50.84569563188485]
我々は、ラベルが$r$のニューロンを持つターゲットネットワークの符号によって決定されるとき、勾配流が方向収束することを示す。我々の結果は、標本サイズによらず、幅が$tildemathcalO(r)$である、緩やかなオーバーパラメータ化をすでに維持しているかもしれない。
論文参考訳（メタデータ） (2022-05-18T16:57:10Z)
Verifying Low-dimensional Input Neural Networks via Input Quantization [12.42030531015912]
本稿では,ACAS Xu ネットワーク検証の当初の問題を再考する。本稿では,入力量子化層をネットワークにプリペイドすることを提案する。本手法は,浮動小数点誤差に耐性のない正確な検証結果を提供する。
論文参考訳（メタデータ） (2021-08-18T03:42:05Z)
Non-Singular Adversarial Robustness of Neural Networks [58.731070632586594]
小さな入力摂動に対する過敏性のため、アドリヤルロバスト性はニューラルネットワークにとって新たな課題となっている。我々は,データ入力とモデル重みの共振レンズを用いて,ニューラルネットワークの非特異な対角性の概念を定式化する。
論文参考訳（メタデータ） (2021-02-23T20:59:30Z)
Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。