論文の概要: Counterexample Guided Branching via Directional Relaxation Analysis in Complete Neural Network Verification

• arxiv url: http://arxiv.org/abs/2603.14823v1
• Date: Mon, 16 Mar 2026 04:57:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-17 16:19:36.05683
• Title: Counterexample Guided Branching via Directional Relaxation Analysis in Complete Neural Network Verification
• Title（参考訳）: 完全ニューラルネットワーク検証における方向緩和解析による正解分岐法
• Abstract要約: ディープニューラルネットワークは例外的な性能を示すが、敵の摂動に弱いままである。 現在のデータフローアプローチは、静的に依存するブラインドリファインメントプロセスで動作する。 本稿では,Falsification に積極的に寄与するニューロンの分岐を優先する Directional Gap を導入するフレームワーク DRG-BaB を提案する。
• 参考スコア（独自算出の注目度）: 10.808953992870954
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Neural Networks demonstrate exceptional performance but remain vulnerable to adversarial perturbations, necessitating formal verification for safety-critical deployment. To address the computational complexity of this task, researchers often employ abstraction-refinement techniques that iteratively tighten an over-approximated model. While structural methods utilize Counterexample-Guided Abstraction Refine- ment, state-of-the-art dataflow verifiers typically rely on Branch-and-Bound to refine numerical convex relaxations. However, current dataflow approaches operate with blind refinement processes that rely on static heuristics and fail to leverage specific diagnostic information from verification failures. In this work, we argue that Branch-and-Bound should be reformulated as a Dataflow CEGAR loop where the spurious counterexample serves as a precise witness to local abstraction errors. We propose DRG-BaB, a framework that introduces the Directional Relaxation Gap heuristic to prioritize branching on neurons actively contributing to falsification in the abstract domain. By deriving a closed-form spurious counterexample directly from linear bounds, our method transforms generic search into targeted refinement. Experiments on high-dimensional benchmarks demonstrate that this approach significantly reduces search tree size and verification time compared to established baselines.
• Abstract（参考訳）: ディープニューラルネットワークは、例外的なパフォーマンスを示すが、敵の摂動に弱いままであり、安全クリティカルなデプロイメントの正式な検証を必要とする。 このタスクの計算複雑性に対処するために、研究者はしばしば過近似モデルを反復的に締め付ける抽象リファインメント技術を用いる。 構造的手法は反例ガイドによる抽象的再定義を利用するが、最先端のデータフロー検証は一般に分岐とバウンドに依存して数値凸緩和を洗練させる。 しかし、現在のデータフローアプローチは、静的ヒューリスティックに依存し、検証失敗から特定の診断情報を活用できないブラインド改善プロセスで動作する。 本研究では,ブランチ・アンド・バウンドをデータフロー CEGAR ループとして再編成すべきである,と論じる。 DRG-BaBは方向緩和ギャップヒューリスティック(Directional Relaxation Gap Heuristic)を導入し、抽象領域におけるファルシフィケーションに積極的に寄与するニューロンへの分岐を優先するフレームワークである。 線形境界から直接閉形式のスプリアス反例を導出することにより,ジェネリックサーチを対象の洗練に変換する。 高次元ベンチマーク実験により,本手法が確立された基準線に比べて探索木の大きさと検証時間を著しく短縮することが示された。

関連論文リスト

• From Open Loop to Closed Loop: A Test-Time Iterative Optimization Framework for Reference-Consistent Image Generation [108.02425846269234]
  制御可能な画像生成は、視覚的参照条件を組み込むことで、大きな進歩を遂げた。 既存の方法は、主にオープンループシステムとして動作する。 本稿では,閉ループ動的トラッキング問題として参照一貫性生成を再構成する新しいテスト時間反復最適化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-06T05:36:30Z)
• SemFlowRAG: Directed Semantic Flow from Abstraction to Evidence for Complex Reasoning [15.817479351881062]
  SemFlowRAGは、フラットな検索空間をコーパス適応的な勾配セマンティックグラフに再構成するフレームワークである。 エンティティのセマンティックな抽象性を、関連するパスの埋め込み分散によって定量化することにより、静的な非方向エッジを有向的なセマンティック制約に変換する。 本研究では,SemFlowRAGがブラックホールの確率問題を効果的に軽減し,検索性能と下流推論性能の両方において既存のベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-06-26T08:40:08Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Efficient Discovery of Approximate Causal Abstractions via Neural Mechanism Sparsification [0.0]
  ニューラルネットワークは解釈可能な因果機構を実装すると仮定される。 これを検証するには、因果抽象化を見つける必要があります -- 介入の下でネットワークに忠実な、よりシンプルでハイレベルな構造因果モデル(SCM)です。 我々は、構造的プルーニングを近似抽象の探索として見ることによって問題を再構築した。
  論文  参考訳（メタデータ） (2026-02-27T18:35:10Z)
• Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
  ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。 現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。 本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-19T14:56:38Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Toward Certified Robustness Against Real-World Distribution Shifts [65.66374339500025]
  我々は、データから摂動を学ぶために生成モデルを訓練し、学習したモデルの出力に関して仕様を定義する。 この設定から生じるユニークな挑戦は、既存の検証者がシグモイドの活性化を厳密に近似できないことである。 本稿では,古典的な反例誘導的抽象的洗練の概念を活用するシグモイドアクティベーションを扱うための一般的なメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-08T04:09:13Z)

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。