論文の概要: Formally Verifying Analog Neural Networks Under Process Variations Using Polynomial Zonotopes

• arxiv url: http://arxiv.org/abs/2605.10474v1
• Date: Mon, 11 May 2026 12:37:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.81323
• Title: Formally Verifying Analog Neural Networks Under Process Variations Using Polynomial Zonotopes
• Title（参考訳）: 多項式ゾノトープを用いたプロセス変動下でのアナログニューラルネットワークの形式的検証
• Authors: Yasmine Abu-Haeyeh, Tobias Ladner, Matthias Althoff, Lars Hedrich,
• Abstract要約: 本稿では,プロセス変動下での回路レベルモデルの性能に類似したニューロンモデルを提案する。 次に、ゾノトープを用いた到達可能性解析を用いて、回路レベルのモデルの挙動を正式に検証する。 その結果,検証時間を数日から数秒に短縮し,サンプルの99%を封じ込めて検証手法の有効性を確認した。
• 参考スコア（独自算出の注目度）: 12.186215388979605
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Analog neural networks are gaining attention due to their efficiency in terms of power consumption and processing speed. However, since analog neural networks are implemented as physical circuits, they are highly sensitive to manufacturing process variations, which can cause large deviations from the nominal model. We present a polynomial-based model that resembles the performance of the neuron circuit under process variations. Then, we formally verify the behavior of the circuit-level model using reachability analysis with polynomial zonotopes, thus, avoiding conventional, time-consuming Monte Carlo simulations. We evaluate our proposed verification approach on three different datasets, verifying both fully-connected and convolutional analog neural networks. Our experimental results confirm the effectiveness of our verification approach by reducing the verification time from days to seconds while enclosing 99% of the variation samples.
• Abstract（参考訳）: アナログニューラルネットワークは、消費電力と処理速度の面でその効率性から注目を集めている。 しかし、アナログニューラルネットワークは物理回路として実装されているため、製造プロセスのバリエーションに非常に敏感であり、名目モデルから大きく逸脱する可能性がある。 本稿では,プロセス変動下でのニューロン回路の性能に類似した多項式モデルを提案する。 そして,多項式ゾノトープを用いた到達可能性解析を用いて回路レベルのモデルの挙動を正式に検証し,従来のモンテカルロシミュレーションを回避した。 提案手法を3つの異なるデータセット上で評価し,完全接続型と畳み込み型の両方のアナログニューラルネットワークを検証した。 実験結果から,検証時間を数日から数秒に短縮し,99%のサンプルを封入した検証手法の有効性を確認した。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Advancing Spatio-Temporal Processing in Spiking Neural Networks through Adaptation [6.233189707488025]
  ニューロモルフィックハードウェア上のニューラルネットワークは、非喫煙者よりも消費電力の少ないオーダーを約束する。 このようなシステム上でのスパイクベースの計算のための標準的なニューロンモデルは、長い間、統合と火災(LIF)ニューロンであった。 いわゆるアダプティブLIFニューロンの根源はよく分かっていない。
  論文  参考訳（メタデータ） (2024-08-14T12:49:58Z)
• An LSTM-Based Predictive Monitoring Method for Data with Time-varying Variability [3.5246670856011035]
  本稿では、繰り返し発生するニューラルネットワーク構造がプロセスを監視する能力について考察する。 本研究では,長期短期記憶(LSTM)予測間隔に基づく時間変動データに対する制御チャートを提案する。 提案手法は時系列センサデータにも適用され,本手法が異常検出に有効な手法であることを確認した。
  論文  参考訳（メタデータ） (2023-09-05T06:13:09Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Correcting Auto-Differentiation in Neural-ODE Training [3.679296863967586]
  ニューラルネットワークが高次法を用いる場合、ブルート力の自己微分は、収束を防ぐための勾配に人工的な振動をもたらすことがよく示される。 本稿では、これらの振動を効果的に排除し、勾配を補正し、正確な更新を返すための単純な後処理手法を提案する。
  論文  参考訳（メタデータ） (2023-06-03T20:34:14Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• SignalNet: A Low Resolution Sinusoid Decomposition and Estimation Network [79.04274563889548]
  本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。 基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。 シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
  論文  参考訳（メタデータ） (2021-06-10T04:21:20Z)
• On the reproducibility of fully convolutional neural networks for modeling time-space evolving physical systems [0.0]
  ディープラーニング完全畳み込みニューラルネットワークは、同じ条件で同じネットワークを数回トレーニングすることで評価される。 ダブル浮動小数点精度で実施したトレーニングは、ネットワークパラメータとテストエラー範囲の両方のばらつきを大幅に低減し、見積もりをわずかに改善する。
  論文  参考訳（メタデータ） (2021-05-12T07:39:30Z)

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。