論文の概要: Probabilistic Verification of Neural Networks via Efficient Probabilistic Hull Generation

• arxiv url: http://arxiv.org/abs/2604.21556v1
• Date: Thu, 23 Apr 2026 11:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.464385
• Title: Probabilistic Verification of Neural Networks via Efficient Probabilistic Hull Generation
• Title（参考訳）: 効率的な確率的ハル生成によるニューラルネットワークの確率的検証
• Authors: Jingyang Li, Xin Chen, Hongfei Fu, Guoqiang Li,
• Abstract要約: 本稿では,安全な確率の保証範囲を計算するニューラルネットワーク確率検証フレームワークを提案する。 本稿では,ACAS Xu やロケットランダー制御器などの各種ベンチマークを用いて,提案手法の精度と効率を評価する。
• 参考スコア（独自算出の注目度）: 10.859851140571045
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of probabilistic verification of a neural network investigates the probability of satisfying the safe constraints in the output space when the input is given by a probability distribution. It is significant to answer this problem when the input is affected by disturbances often modeled by probabilistic variables. In the paper, we propose a novel neural network probabilistic verification framework which computes a guaranteed range for the safe probability by efficiently finding safe and unsafe probabilistic hulls. Our approach consists of three main innovations: (1) a state space subdivision strategy using regression trees to produce probabilistic hulls, (2) a boundary-aware sampling method which identifies the safety boundary in the input space using samples that are later used for building regression trees, and (3) iterative refinement with probabilistic prioritization for computing a guaranteed range for the safe probability. The accuracy and efficiency of our approach are evaluated on various benchmarks including ACAS Xu and a rocket lander controller. The result shows an obvious advantage over the state of the art.
• Abstract（参考訳）: ニューラルネットワークの確率的検証問題は、入力が確率分布によって与えられるとき、出力空間における安全な制約を満たす確率を調べる。 確率変数によってモデル化される乱れによって入力が影響を受ける場合、この問題に答えることは重要である。 本稿では,安全で安全性の低い船体を効率よく見つけることにより,安全な確率の保証範囲を計算できる新しいニューラルネットワーク確率検証フレームワークを提案する。 提案手法は,(1) 回帰木を用いた確率的船体生成のための状態空間分割戦略,(2) 回帰木構築に使用されるサンプルを用いて入力空間の安全性境界を識別する境界対応サンプリング手法,(3) 確率的優先順位付けによる安全確率の計算の反復的改善,の3点からなる。 本稿では,ACAS Xu やロケットランダー制御器などの各種ベンチマークを用いて,提案手法の精度と効率を評価する。 その結果は、最先端技術に対する明らかな優位性を示している。

関連論文リスト

• On the Probabilistic Learnability of Compact Neural Network Preimage Bounds [71.59148070050212]
  本研究では,高信頼度保証と有界誤差の解の提供を目的とした,新しい確率論的視点を採用する。 このメソッドは、ランダム化された決定ツリーのアンサンブルを利用して、所望の出力特性を満たす候補入力領域を生成する。 我々の理論的導出は、地域純度とグローバルカバレッジに関する正式な統計的保証を提供し、実用的なスケーラブルなコンピューティングソリューションを提供する。
  論文  参考訳（メタデータ） (2025-11-10T16:56:51Z)
• Exact characterization of ε-Safe Decision Regions for exponential family distributions and Multi Cost SVM approximation [2.225810431340323]
  対象(安全)クラスの予測が確率的に保証される入力空間のサブセットであるepsilon-Safe Decision Regionの形式的定義を導入する。 この制限に触発されて、安全領域を近似し、不均衡なデータを処理できるSVMベースのアルゴリズムであるMulti Cost SVMを開発した。
  論文  参考訳（メタデータ） (2025-01-29T16:14:35Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Enumerating Safe Regions in Deep Neural Networks with Provable Probabilistic Guarantees [86.1362094580439]
  安全プロパティとDNNが与えられた場合、安全であるプロパティ入力領域のすべての領域の集合を列挙する。 この問題の #P-hardness のため,epsilon-ProVe と呼ばれる効率的な近似法を提案する。 提案手法は, 許容限界の統計的予測により得られた出力可到達集合の制御可能な過小評価を利用する。
  論文  参考訳（メタデータ） (2023-08-18T22:30:35Z)
• Bayesian Safety Validation for Failure Probability Estimation of Black-Box Systems [34.61865848439637]
  失敗の確率を推定することは、安全クリティカルなシステムの認証において重要なステップである。 この研究は、ベイズ最適化問題としてブラックボックス安全性検証の問題を補足する。 このアルゴリズムは、障害を探索し、最もよく似た障害を計算し、オペレーティングシステム上での障害確率を推定するように設計されている。
  論文  参考訳（メタデータ） (2023-05-03T22:22:48Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• Reliability analysis of discrete-state performance functions via adaptive sequential sampling with detection of failure surfaces [0.0]
  本稿では,レアイベント確率推定のための新しい効率的でロバストな手法を提案する。 この手法は、複数の障害タイプの確率を推定することができる。 この情報に対応して、推定確率の精度を高めることができる。
  論文  参考訳（メタデータ） (2022-08-04T05:59:25Z)
• Handling Epistemic and Aleatory Uncertainties in Probabilistic Circuits [18.740781076082044]
  確率的推論の大規模クラスを扱うアプローチの背後にある独立性の仮定を克服する手法を提案する。 ベイズ学習のアルゴリズムは、完全な観察にもかかわらず、スパースから提供します。 そのような回路の各リーフは、不確実な確率を表すエレガントなフレームワークを提供するベータ分散ランダム変数でラベル付けされています。
  論文  参考訳（メタデータ） (2021-02-22T10:03:15Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)

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。