Fugu-MT 論文翻訳(概要): Stress-Testing Neural Network Verifiers with Provably Robust Instances

論文の概要: Stress-Testing Neural Network Verifiers with Provably Robust Instances

arxiv url: http://arxiv.org/abs/2605.17153v1
Date: Sat, 16 May 2026 20:56:52 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-19 17:57:47.711336
Title: Stress-Testing Neural Network Verifiers with Provably Robust Instances
Title（参考訳）: 確率的ロバスト型ニューラルネットワーク検証器
Authors: David Troxell, Yulia Alexandr, Sofia Hunt, Stephanie Lei, Guido Montúfar,
Abstract要約: 我々は,地中構造ラベルを用いた検証インスタンス生成のための再利用可能なフレームワークを提案する。また、インスタンスの硬さの異なるソースを推定可能な量の集合であるDifficulty Profileについても紹介する。我々のフレームワークとこれらのプロファイルを用いて、5つの最先端検証ツールを評価し、異なるインスタンスが検証パイプラインの異なる側面を強調していることを示す。
参考スコア（独自算出の注目度）: 10.017475431603389
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Neural network verifiers aim to provide formal guarantees on model behavior, but existing verification benchmarks are fundamentally limited by their lack of ground-truth labels. As a result, verifier evaluation relies on indirect heuristics, which prevents exact scoring and systematic study of verifier failure modes. We address this gap by introducing a reusable framework for generating verification instances whose ground-truth robustness labels are known a priori through analytic construction. Our framework led to the discovery of multiple numeric tolerance concerns and an implementation bug in popular verifiers, highlighting the need for ground-truth labels. Additionally, to systematically study verifier failure modes, we introduce the verification Difficulty Profile, a collection of estimable quantities capturing distinct sources of instance hardness. Using our framework and these profiles, we evaluate five state-of-the-art verifiers and show that different instances stress distinct aspects of the verification pipeline. We show that these results can aid the future development of verifiers as they provide actionable targets for improving numerical reliability, relaxation quality, and search behavior. Our code is publicly available: https://github.com/dtroxell19/VeriStressGT.git.
Abstract（参考訳）: ニューラルネットワーク検証は、モデル動作に関する公式な保証を提供することを目標としているが、既存の検証ベンチマークは、基盤トラストラベルの欠如により、基本的に制限されている。その結果、検証者評価は間接的ヒューリスティックスに依存しており、検証者故障モードの正確な評価と体系的な研究を妨げている。このギャップに対処するために、解析的構成により、基幹頑健性ラベルが既知である検証インスタンスを生成する再利用可能なフレームワークを導入する。筆者らのフレームワークは,複数の数値トレランスの懸念や,一般的な検証器の実装バグの発見に結びつき,地味ラベルの必要性を浮き彫りにした。さらに,検証失敗モードを体系的に研究するために,検証困難プロファイル(Difficulty Profile)を導入する。我々のフレームワークとこれらのプロファイルを用いて、5つの最先端検証ツールを評価し、異なるインスタンスが検証パイプラインの異なる側面を強調していることを示す。これらの結果は, 数値信頼性, 緩和品質, 探索行動を改善するための実用的な目標を提供するため, 検証装置の今後の開発に有効であることを示す。私たちのコードは、https://github.com/dtroxell19/VeriStressGT.git.comで公開されています。

関連論文リスト

K$α$LOS finds Consensus: A Meta-Algorithm for Evaluating Inter-Annotator Agreement in Complex Vision Tasks [4.297070083645049]
本稿では,「ローカライゼーションファースト」の原理を一般化した統一メタアルゴリズムであるK$LOSを提案する。合意を査定する前に空間対応を解消することにより,複雑な分類問題を名目上の信頼性に変換する。
論文参考訳（メタデータ） (2026-03-28T08:54:05Z)
Attribution-Guided Model Rectification of Unreliable Neural Network Behaviors [60.06461883533697]
我々は、ランクワンモデル編集を活用して、帰属誘導モデル修正フレームワークを確立する。まず、既存のモデル編集と整合性の設定を区別し、信頼性の低い振る舞いを補正する定式化を行う。そこで本研究では, 帰属誘導層ローカライゼーション手法を提案する。
論文参考訳（メタデータ） (2026-03-08T01:06:07Z)
From Decoupled to Coupled: Robustness Verification for Learning-based Keypoint Detection with Joint Specifications [11.371752627865929]
キーポイント検出は、ポーズ推定、視点回復、3D再構成など、多くの視覚タスクの基盤となる。その重要性にもかかわらず、キーポイント検出器の形式的ロバスト性検証は、高次元入力と連続座標出力のためにほとんど探索されていない。熱マップに基づくキーポイント検出のための最初の結合ロバスト性検証フレームワークを提案する。
論文参考訳（メタデータ） (2026-03-05T19:01:53Z)
Learning to Pay Attention: Unsupervised Modeling of Attentive and Inattentive Respondents in Survey Data [0.14323566945483493]
注意点検などの従来の安全対策は、コストが高く、反応性があり、一貫性がないことが多い。補完的な教師なしビューを用いた不注意検出のための統一型ラベルフリーフレームワークを提案する。
論文参考訳（メタデータ） (2026-03-02T22:11:51Z)
When Does Verification Pay Off? A Closer Look at LLMs as Solution Verifiers [11.937771430269201]
本稿では,37大言語モデル(LLM)の体系的研究について述べる。自己検証と同一家族内および異なる家族間での検証を比較した。検証者ゲインや偽陽性率尺度などのメトリクスをモデルサイズと後トレーニングで分析し,データセットの妥当性の違いを特徴付ける。
論文参考訳（メタデータ） (2025-12-02T00:51:14Z)
Demystifying deep search: a holistic evaluation with hint-free multi-hop questions and factorised metrics [89.1999907891494]
We present WebDetective, a benchmark of hint-free multi-hop questions with a control Wikipedia sandbox。 25の最先端モデルに対する我々の評価は、すべてのアーキテクチャにまたがる体系的な弱点を明らかにしている。私たちはエージェントワークフローであるEvidenceLoopを開発し、ベンチマークが特定する課題を明示的にターゲットしています。
論文参考訳（メタデータ） (2025-10-01T07:59:03Z)
Validating Solidity Code Defects using Symbolic and Concrete Execution powered by Large Language Models [0.0]
本稿では,Slither-based detectors, Large Language Models (LLMs), Kontrol, Forgeを統合した新しい検出パイプラインを提案する。私たちのアプローチは、欠陥を確実に検出し、証明を生成するように設計されています。
論文参考訳（メタデータ） (2025-09-16T12:46:11Z)
TrustLoRA: Low-Rank Adaptation for Failure Detection under Out-of-distribution Data [62.22804234013273]
本稿では,共変量および意味的シフトの両条件下での拒絶による分類を統一し,促進する,単純な故障検出フレームワークを提案する。キーとなる洞察は、障害固有の信頼性知識を低ランクアダプタで分離し、統合することにより、障害検出能力を効果的かつ柔軟に向上できるということです。
論文参考訳（メタデータ） (2025-04-20T09:20:55Z)
SoundnessBench: A Soundness Benchmark for Neural Network Verifiers [45.86647998712757]
NN検証のための新しいベンチマーク「SoundnessBench」を開発した。 SoundnessBenchは、敵の攻撃から隠された意図的に挿入された反例を持つインスタンスで構成されている。我々のトレーニングは,隠れた反例を効果的に生成し,SoundnessBenchは最先端のNN検証器のバグの同定に成功したことを実証する。
論文参考訳（メタデータ） (2024-12-04T09:24:33Z)
Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文参考訳（メタデータ） (2021-10-12T17:21:41Z)

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。