論文の概要: VNN-LIB 2.0: Rigorous Foundations for Neural Network Verification
- arxiv url: http://arxiv.org/abs/2605.07451v1
- Date: Fri, 08 May 2026 08:56:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:38.930357
- Title: VNN-LIB 2.0: Rigorous Foundations for Neural Network Verification
- Title（参考訳）: VNN-LIB 2.0: ニューラルネットワーク検証のための厳格な基礎
- Authors: Ann Roy, Allen Antony, Andrea Gimelli, Matthew L. Daggitt,
- Abstract要約: 本稿では,ニューラルネットワークモデルフォーマットから必要となる最小限の意味的インターフェースを抽象的に特徴付けるEmphnetwork理論について紹介する。
次に、より表現力のあるクエリ言語のための形式構文、ネットワーク理論によって提供される数値領域上の型システム、そして最終的には形式意味論を示す。
したがって、VNN-LIB2.0は信頼できるニューラルネットワーク検証のための堅牢で厳格な基盤を提供する。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural network verification is an active and rapidly maturing research area, with a growing ecosystem of solvers and tools. The VNN-LIB standard was introduced to support interoperability in this ecosystem, but Version~1.0 has several serious short-comings as a formal foundation: it lacks a precise syntax, semantics, and type system, offers limited expressivity, and relies on externally defined ONNX models whose semantics are informal and constantly evolving. The latter distinguishes VNN-LIB from established standards such as SMT-LIB, where queries are self-contained and have fixed semantics. In this paper we address these challenges by developing the theoretical foundations of VNN-LIB~2.0. Our key contribution is the introduction of the notion of a \emph{network theory}, which abstractly characterises the minimal semantic interface required from a neural network model format. This abstraction enables VNN-LIB to be defined independently of any specific ONNX version while remaining compatible with evolving model representations. Building on this foundation, we present a formal syntax for a more expressive query language, a type system for it over the numeric domains provided by the network theory, and finally a formal semantics. To ensure internal consistency, the standard is mechanised in the Agda theorem prover. VNN-LIB~2.0 therefore provides robust and rigorous foundations for trustworthy neural network verification.
- Abstract（参考訳）: ニューラルネットワークの検証は、活発で急速に成熟した研究領域であり、問題解決者とツールのエコシステムが成長している。
VNN-LIB標準は、このエコシステムの相互運用性をサポートするために導入されたが、Version~1.0には正式な基盤として深刻な欠点がいくつかある。
後者は、クエリが自己完結し、セマンティクスが固定されたSMT-LIBのような標準とVNN-LIBを区別する。
本稿では,これらの課題に対して,VNN-LIB~2.0の理論的基礎を開発することで対処する。
私たちの重要な貢献は、ニューラルネットワークモデルフォーマットから必要となる最小限の意味的インターフェースを抽象的に特徴付ける、 \emph{network theory} の概念の導入です。
この抽象化により、VNN-LIBは特定のONNXバージョンとは独立して定義でき、モデル表現と互換性が保たれる。
この基礎の上に構築され、より表現力のあるクエリ言語のための形式構文、ネットワーク理論によって提供される数値領域にまたがる型システム、そして最終的には形式的な意味論を示す。
内部整合性を確保するため、標準はアグダの定理証明器で機械化される。
したがって、VNN-LIB~2.0は信頼できるニューラルネットワーク検証のための堅牢で厳格な基盤を提供する。
関連論文リスト
- Talking with Verifiers: Automatic Specification Generation for Neural Network Verification [5.883923958146327]
検証パイプラインに新しいコンポーネントを導入し、既存の検証ツールを幅広いドメインや仕様スタイルに適用できるようにします。
我々のフレームワークは、自然言語で仕様を定式化し、それを自動解析し、最先端のニューラルネットワーク検証と互換性のある形式的な検証クエリに変換する。
以上の結果から,この翻訳プロセスは,計算オーバーヘッドの少ないユーザに対して高い忠実性を維持しつつ,実際の高レベル要求への形式検証の適用性を著しく拡張することを示す。
論文 参考訳（メタデータ） (2026-02-13T09:36:40Z) - A Constructive Framework for Nondeterministic Automata via Time-Shared, Depth-Unrolled Feedforward Networks [0.0]
非決定論的有限オートマトン(NFA)の時間分割・深度制御型フィードフォワードネットワーク(TS-FFN)を用いたフォーマルで建設的なシミュレーションフレームワークを提案する。
我々の定式化は、二進ベクトルとしてのオートマトン状態、スパース行列変換としての遷移、および共有しきい値更新の合成としての$varepsilon$-closuresを含む非決定的分岐を含む非決定論的分岐を象徴的に符号化する。
論文 参考訳（メタデータ） (2025-05-30T01:18:35Z) - Noise Sensitivity and Stability of Deep Neural Networks for Binary
Classification [0.9438207505148947]
一般的なDNNモデルで表されるブール関数のある種の列がノイズ感受性かノイズ安定かを問う。
DNNモデルの自然ランダム性のため、これらの概念は熱処理および焼成バージョンに拡張される。
ガウス重みを始点とする2つの標準DNNアーキテクチャ(完全連結モデルと畳み込みモデル)の特性について検討する。
論文 参考訳（メタデータ） (2023-08-18T08:09:31Z) - Robust Training and Verification of Implicit Neural Networks: A
Non-Euclidean Contractive Approach [64.23331120621118]
本稿では,暗黙的ニューラルネットワークのトレーニングと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。
組込みネットワークを導入し、組込みネットワークを用いて、元のネットワークの到達可能な集合の超近似として$ell_infty$-normボックスを提供することを示す。
MNISTデータセット上で暗黙的なニューラルネットワークをトレーニングするためにアルゴリズムを適用し、我々のモデルの堅牢性と、文献における既存のアプローチを通じてトレーニングされたモデルを比較する。
論文 参考訳（メタデータ） (2022-08-08T03:13:24Z) - Neuro-Symbolic Artificial Intelligence (AI) for Intent based Semantic
Communication [85.06664206117088]
6Gネットワークはデータ転送のセマンティクスと有効性(エンドユーザ)を考慮する必要がある。
観測データの背後にある因果構造を学習するための柱としてNeSy AIが提案されている。
GFlowNetは、無線システムにおいて初めて活用され、データを生成する確率構造を学ぶ。
論文 参考訳（メタデータ） (2022-05-22T07:11:57Z) - Interpretable part-whole hierarchies and conceptual-semantic
relationships in neural networks [4.153804257347222]
本稿では、視覚的手がかりから部分全体階層を表現できるフレームワークであるAgglomeratorについて述べる。
本研究では,SmallNORB,MNIST,FashionMNIST,CIFAR-10,CIFAR-100などの共通データセットを用いて評価を行った。
論文 参考訳（メタデータ） (2022-03-07T10:56:13Z) - Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。
SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。
その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
論文 参考訳（メタデータ） (2021-12-15T09:50:25Z) - On Recurrent Neural Networks for learning-based control: recent results
and ideas for future developments [1.1031750359996124]
本稿では、制御設計におけるリカレントニューラルネットワーク(RNN)の可能性について論じ、分析することを目的とする。
RNNの主なファミリーは、Neural AutoRegressive eXo、NNARX、Echo State Networks (ESN)、Long Short Term Memory (LSTM)、Gated Recurrent Units (GRU)である。
論文 参考訳（メタデータ） (2021-11-26T15:52:52Z) - Compiling ONNX Neural Network Models Using MLIR [51.903932262028235]
本稿では,深層ニューラルネットワークモデルの推論のためのコードを生成するonnx-mlirコンパイラについて予備報告を行う。
Onnx-mlirは、最近LLVMプロジェクトに統合されたMulti-Level Intermediate Representation (MLIR)インフラストラクチャに依存している。
論文 参考訳（メタデータ） (2020-08-19T05:28:08Z) - Modeling from Features: a Mean-field Framework for Over-parameterized
Deep Neural Networks [54.27962244835622]
本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。
このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。
本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
論文 参考訳（メタデータ） (2020-07-03T01:37:16Z) - Obtaining Faithful Interpretations from Compositional Neural Networks [72.41100663462191]
NLVR2およびDROPデータセット上でNMNの中間出力を評価する。
中間出力は期待出力と異なり,ネットワーク構造がモデル動作の忠実な説明を提供していないことを示す。
論文 参考訳（メタデータ） (2020-05-02T06:50:35Z)
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。