論文の概要: Distribution and Clusters Approximations as Abstract Domains in Probabilistic Abstract Interpretation to Neural Network Analysis

• arxiv url: http://arxiv.org/abs/2603.25273v1
• Date: Thu, 26 Mar 2026 10:09:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-27 20:52:48.239087
• Title: Distribution and Clusters Approximations as Abstract Domains in Probabilistic Abstract Interpretation to Neural Network Analysis
• Title（参考訳）: ニューラルネットワーク解析への確率論的抽象解釈における抽象領域としての分布とクラスタ近似
• Authors: Zhuofan Zhang, Herbert Wiklicky,
• Abstract要約: 本稿では,分散近似とクラスタ近似の2つの新しい近似手法を紹介する。 このフレームワークは、すべての可能な入力の密度分布フローを分析してニューラルネットワークを分析する。
• 参考スコア（独自算出の注目度）: 2.110338863301235
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The probabilistic abstract interpretation framework of neural network analysis analyzes a neural network by analyzing its density distribution flow of all possible inputs. The grids approximation is one of abstract domains the framework uses which abstracts concrete space into grids. In this paper, we introduce two novel approximation methods: distribution approximation and clusters approximation. We show how these two methods work in theory with corresponding abstract transformers with help of illustrations of some simple examples.
• Abstract（参考訳）: ニューラルネットワーク解析の確率論的抽象解釈フレームワークは、すべての可能な入力の密度分布フローを分析してニューラルネットワークを分析する。 グリッド近似は、具体的な空間をグリッドに抽象化するフレームワークが使用する抽象ドメインの1つである。 本稿では,分散近似とクラスタ近似の2つの新しい近似手法を提案する。 これらの2つの手法が,いくつかの簡単な例の図解の助けを借りて,対応する抽象変換器を用いて理論的にどのように機能するかを示す。

関連論文リスト

• Probabilistic Abstract Interpretation on Neural Networks via Grids Approximation [2.110338863301235]
  確率論的抽象解釈は、全ての入力をテストすることができないときにコンピュータプログラムの特性を抽出するために用いられる。 この理論フレームワークがニューラルネットワークでどのように機能するかを示し、異なる抽象領域と対応するムーア-ペンローズ擬似逆数について議論する。 また、このフレームワークが現実世界の問題を解析するのにどう役立つかを示す実験例を示す。
  論文  参考訳（メタデータ） (2026-03-26T10:04:29Z)
• Relational Composition in Neural Networks: A Survey and Call to Action [54.47858085003077]
  多くのニューラルネットは、データを「機能ベクトル」の線形結合として表現しているように見える。 我々は、この成功は関係性の構成を理解せずに不完全であると主張する。
  論文  参考訳（メタデータ） (2024-07-19T20:50:57Z)
• Provable Bounds on the Hessian of Neural Networks: Derivative-Preserving Reachability Analysis [6.9060054915724]
  本稿では,アクティベーションの異なるニューラルネットワークに適した新しい到達可能性解析手法を提案する。 本手法の重要な特徴は,活性化関数のループ変換により,その単調性を効果的に活用することである。 結果として得られるエンドツーエンドの抽象化は、微分情報を局所的に保存し、小さな入力集合に正確な境界を与える。
  論文  参考訳（メタデータ） (2024-06-06T20:02:49Z)
• Analyzing Neural Network-Based Generative Diffusion Models through Convex Optimization [45.72323731094864]
  本稿では,2層ニューラルネットワークを用いた拡散モデル解析のための理論的枠組みを提案する。 我々は,1つの凸プログラムを解くことで,スコア予測のための浅層ニューラルネットワークのトレーニングが可能であることを証明した。 本結果は, ニューラルネットワークに基づく拡散モデルが漸近的でない環境で何を学習するかを, 正確に評価するものである。
  論文  参考訳（メタデータ） (2024-02-03T00:20:25Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• k* Distribution: Evaluating the Latent Space of Deep Neural Networks using Local Neighborhood Analysis [7.742297876120561]
  ここでは,k*分布とその可視化手法を紹介する。 本手法では, サンプル分布の構造の保存を保証するため, 局所的近傍解析を用いる。 実験により、ネットワークの学習潜在空間内のサンプルの分布は、クラスによって大きく異なることが示された。
  論文  参考訳（メタデータ） (2023-12-07T03:42:48Z)
• Unsupervised Interpretable Basis Extraction for Concept-Based Visual Explanations [44.033369364364084]
  本研究は,CNN画像分類器の予測と中間層表現を,人間の理解可能な概念の観点から説明しようとするものである。 ボトムアップアプローチを採用し、概念ラベルの監督に頼ることなく、機能空間の構造から方向を一括して識別する。 既存の基盤解釈可能性指標の拡張を行い、抽出したベースに変換すると中間層表現がより解釈可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-19T00:37:19Z)
• Learning Structured Gaussians to Approximate Deep Ensembles [10.055143995729415]
  本稿では,スパース構造多変量ガウシアンを用いて,高密度画像予測タスクのための閉形式近似器を提案する。 正規分布における予測の不確かさと構造的相関を、サンプリング単独で暗黙的にではなく、明示的に捉える。 単分子深度推定におけるアプローチの利点を実証し,本手法の利点が同等の定量的性能で得られることを示す。
  論文  参考訳（メタデータ） (2022-03-29T12:34:43Z)
• Interpretable Network Representation Learning with Principal Component Analysis [1.2183405753834557]
  ネットワーク評価データのサンプルに対する解釈可能なネットワーク表現学習の問題点を考察する。 ネットワークサンプルの統計的に意味のある低次元表現を識別するためのPCANアルゴリズムを提案する。 高速サンプリングに基づくアルゴリズム sPCAN を導入し,計算効率は比較的高いが,解釈可能性の利点を享受している。
  論文  参考訳（メタデータ） (2021-06-27T13:52:49Z)
• Spectral Analysis Network for Deep Representation Learning and Image Clustering [53.415803942270685]
  本稿ではスペクトル分析に基づく教師なし深層表現学習のための新しいネットワーク構造を提案する。 パッチレベルで画像間の局所的な類似性を識別できるため、閉塞に対してより堅牢である。 クラスタリングに親しみやすい表現を学習し、データサンプル間の深い相関を明らかにすることができる。
  論文  参考訳（メタデータ） (2020-09-11T05:07:15Z)

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。