論文の概要: Neural Network Verification using Partial Multi-Neuron Relaxation

• arxiv url: http://arxiv.org/abs/2605.30155v1
• Date: Thu, 28 May 2026 16:15:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-30 02:45:56.475646
• Title: Neural Network Verification using Partial Multi-Neuron Relaxation
• Title（参考訳）: 部分的マルチニューロン緩和を用いたニューラルネットワークの検証
• Authors: Ido Shmuel, Guy Katz,
• Abstract要約: 部分的多ニューロン緩和を特徴とする中層的アプローチを提案する。 我々は、ニューロンの選択と多ニューロン境界に対する境界超平面の最適化のための既存の分岐を構築した。 本実験は,ニューラルネットワーク検証技術の可能性を示すものである。
• 参考スコア（独自算出の注目度）: 2.2058293096044586
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing integration of deep neural networks in critical systems has spawned a theoretical and practical interest in formally guaranteeing safety properties about their behavior. To achieve this, contemporary verification algorithms rely on computing linear relaxations for a network's non-linear activation functions. Existing approaches for linear relaxations typically fall into one of two categories: single-neuron relaxation, in which each activation neuron is bounded in terms of its sources; and multi-neuron relaxation, in which linear bounds involving multiple activation neurons and their sources are calculated. However, existing methods might fail to balance tightness and scalability, as single-neuron bounds might not derive sufficiently tight bounds necessary for verification to complete, whereas generating multi-neuron relaxation for all activation neurons is computationally expensive. In this paper, we present a middle-ground approach featuring partial multi-neuron relaxation, in which we generate multi-neuron bounds for only a small, heuristically selected subset of neurons. To achieve this, we build upon existing branching heuristics for selecting neurons and for optimizing bounding hyper-planes for multi-neuron bounds. We integrated our proposed method within the Marabou verifier, and obtained favorable results in comparison to existing bound tightening methods. Our experiments showcase the potential of our technique for neural network verification.
• Abstract（参考訳）: 重要なシステムにおけるディープニューラルネットワークの統合の増大は、彼らの行動に関する安全特性を正式に保証することに対する理論的かつ実践的な関心を生んだ。 これを実現するために、現代の検証アルゴリズムは、ネットワークの非線形アクティベーション関数に対する線形緩和の計算に依存する。 既存の線形緩和のアプローチは、2つのカテゴリのうちの1つに該当する: 単一ニューロン緩和、それぞれの活性化ニューロンがその源として有界である; 多ニューロン緩和、複数の活性化ニューロンとその源を含む線形境界が計算される。 しかし、既存の手法では、単一ニューロン境界が検証に必要な十分な厳密な境界を導き出さないのに対して、すべての活性化ニューロンに対する多重ニューロン緩和は計算的に高価であるため、厳密さとスケーラビリティのバランスが取れない可能性がある。 本稿では,ニューロンの部分的多ニューロン緩和を特徴とする中層的アプローチを提案する。 そこで我々は,ニューロン選択のための既存の分岐ヒューリスティックを構築し,マルチニューロン境界に対する境界超平面を最適化する。 提案手法をマラブー検証器に統合し,既存の有界締固め法と比較して良好な結果を得た。 本実験は,ニューラルネットワーク検証技術の可能性を示すものである。

関連論文リスト

• NeuronSeek: On Stability and Expressivity of Task-driven Neurons [19.773883759021764]
  プロトタイピングタスク駆動ニューロン(NeuronSeekと呼ばれる)は、最適なニューロンの定式化を発見するためにシンボリックレグレッション(SR)を用いる。 この研究は、最適な神経細胞の定式化を発見するために、シンボリック回帰をテンソル分解(TD)に置き換える。 我々は,任意の連続関数を任意に小さな誤差で近似するために,共通のアクティベーション関数でアグリゲーション関数を変更することで,パラメータの固定数のネットワークを拡張できることを理論的に保証する。
  論文  参考訳（メタデータ） (2025-06-01T01:36:27Z)
• Expressiveness of Multi-Neuron Convex Relaxations in Neural Network Certification [5.05356759900008]
  本稿では, マルチニューロン緩和の表現性について, 厳密な分析を行った。 有限個のニューロンと最適層を捉えるのに十分な資源を割り当てた場合でも、それらが本質的に不完全であることを示す。 本研究は, マルチニューロン緩和の基礎を築き, 信頼性の高いロバスト性を示す新たな方向を示すものである。
  論文  参考訳（メタデータ） (2024-10-09T12:14:24Z)
• A More Accurate Approximation of Activation Function with Few Spikes Neurons [6.306126887439676]
  スパイキングニューラルネットワーク(SNN)はエネルギー効率のよいニューラルネットワークとして多くの注目を集めている。 従来のスパイキングニューロン、例えば漏れた統合・発火ニューロンは、複雑な非線形活性化関数を正確に表現することはできない。
  論文  参考訳（メタデータ） (2024-08-19T02:08:56Z)
• The Expressive Leaky Memory Neuron: an Efficient and Expressive Phenomenological Neuron Model Can Solve Long-Horizon Tasks [64.08042492426992]
  本稿では,脳皮質ニューロンの生物学的モデルであるExpressive Memory(ELM)ニューロンモデルを紹介する。 ELMニューロンは、上記の入力-出力関係を1万以下のトレーニング可能なパラメータと正確に一致させることができる。 本稿では,Long Range Arena(LRA)データセットなど,時間構造を必要とするタスクで評価する。
  論文  参考訳（メタデータ） (2023-06-14T13:34:13Z)
• Zonotope Domains for Lagrangian Neural Network Verification [102.13346781220383]
  我々は、ディープニューラルネットワークを多くの2層ニューラルネットワークの検証に分解する。 我々の手法は線形プログラミングとラグランジアンに基づく検証技術の両方により改善された境界を与える。
  論文  参考訳（メタデータ） (2022-10-14T19:31:39Z)
• Spiking neural network for nonlinear regression [68.8204255655161]
  スパイクニューラルネットワークは、メモリとエネルギー消費を大幅に削減する可能性を持っている。 彼らは、次世代のニューロモルフィックハードウェアによって活用できる時間的および神経的疎結合を導入する。 スパイキングニューラルネットワークを用いた回帰フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-06T13:04:45Z)
• And/or trade-off in artificial neurons: impact on adversarial robustness [91.3755431537592]
  ネットワークに十分な数のOR様ニューロンが存在すると、分類の脆さと敵の攻撃に対する脆弱性が増加する。 そこで我々は,AND様ニューロンを定義し,ネットワーク内での割合を増大させる対策を提案する。 MNISTデータセットによる実験結果から,本手法はさらなる探索の方向として有望であることが示唆された。
  論文  参考訳（メタデータ） (2021-02-15T08:19:05Z)
• Online neural connectivity estimation with ensemble stimulation [5.156484100374058]
  スパースネットワークにおけるこのプロセスの効率を大幅に向上させる,ノイズの多いグループテストに基づく手法を提案する。 人口規模に比例して対数的にしか成長しない多数のテストにより、二項化ネットワーク接続を回復可能であることを示す。 また、ネット上の数万のニューロンのネットワークに対して、接続性を推測する可能性も示しています。
  論文  参考訳（メタデータ） (2020-07-27T23:47:03Z)
• Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
  XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。 コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-02-02T21:09:39Z)

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。