論文の概要: veriFIRE: an Industrial Case Study in Verifying Consistency Properties for a DNN-Based Wildfire Detection System
- arxiv url: http://arxiv.org/abs/2606.04121v1
- Date: Tue, 02 Jun 2026 18:32:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-04 20:44:18.323922
- Title: veriFIRE: an Industrial Case Study in Verifying Consistency Properties for a DNN-Based Wildfire Detection System
- Title（参考訳）: veriFIRE:DNNに基づく山火事検知システムにおける整合性検証の事例研究
- Authors: Idan Refaeli, Maya Swisa, Itay Buchnik, Alon Zada, Guy Amir, Elad Mandelbaum, Ziv Freund, Guy Katz,
- Abstract要約: 本稿では,システム内のテキスト整合性を検証するためのエンドツーエンド手法を提案する。
提案手法は,既存のニューラルネットワーク検証器に対して,アプリケーション基底要求をソルバ互換クエリにエンコードする。
その結果,産業システムにおいて意味のある,ドメイン固有の保証が得られることがわかった。
- 参考スコア（独自算出の注目度）: 4.688090702715578
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present our ongoing work on the veriFIRE project: a collaboration between industry and academia, aimed at applying verification to increase the reliability of a real-world, safety-critical system. Specifically, we target an airborne platform for wildfire detection, which incorporates two deep neural networks. We present an end-to-end methodology for verifying \textit{consistency properties} in this system. Our approach encodes application-grounded requirements into solver-compatible queries for existing neural network verifiers. We study properties of interest over critical operational scenarios: (i) monotonicity of detector confidence as target intensity increases; and (ii) bounded detector response under physically plausible blur over the sensor. We instantiate these encodings using state-of-the-art neural network verification backends and evaluate them at scale on real background samples. For the first property, all verification queries are solved in under five minutes. For the second property, verification is substantially harder, highlighting key scalability challenges for richer, higher-dimensional specifications. Overall, the results demonstrate that meaningful, domain-specific guarantees can be obtained for industrial systems.
- Abstract（参考訳）: 我々は、実世界の安全クリティカルシステムの信頼性を高めるために検証を適用することを目的とした、業界と学界のコラボレーションであるveriFIREプロジェクトについて、現在進行中の成果を示す。
具体的には,2つの深層ニューラルネットワークを組み込んだ山火事検出プラットフォームをターゲットにした。
本稿では,本システムにおける \textit{consistency properties} の検証のためのエンドツーエンド手法を提案する。
提案手法は,既存のニューラルネットワーク検証器に対して,アプリケーション基底要求をソルバ互換クエリにエンコードする。
重要な運用シナリオに対する関心の性質について研究する。
一 目標強度が増大するにつれて検出器の信頼性の単調性
(II)センサー上の物理的に可塑性なぼかしの下での有界検出器応答。
我々は、最先端のニューラルネットワーク検証バックエンドを使用してこれらのエンコーディングをインスタンス化し、実際のバックグラウンドサンプルでそれらを大規模に評価する。
最初のプロパティでは、すべての検証クエリは5分以内で解決される。
2つ目の特性では、検証は非常に難しく、よりリッチで高次元の仕様に対する重要なスケーラビリティの課題を強調します。
全体としては、産業システムにおいて意味のある、ドメイン固有の保証が得られることが示されている。
関連論文リスト
- CLAIRE: Compressed Latent Autoencoder for Industrial Representation and Evaluation -- A Deep Learning Framework for Smart Manufacturing [51.56484100374058]
CLAIREは、教師なしの深層表現学習と、スマート製造システムにおけるインテリジェントな品質管理のための教師付き分類を統合したハイブリッドエンドツーエンド学習フレームワークである。
最適化されたディープオートエンコーダを使用して、生の入力をコンパクトな潜伏空間に変換し、不適切な特徴やノイズを抑えながら本質的なデータ構造を効果的にキャプチャする。
提案したフレームワークは、堅牢な障害検出のために、説明可能なAIと機能認識の正規化を統合する可能性を強調している。
論文 参考訳（メタデータ） (2026-03-06T15:11:58Z) - Multi-Agent Collaborative Intrusion Detection for Low-Altitude Economy IoT: An LLM-Enhanced Agentic AI Framework [60.72591149679355]
低高度経済の急速な拡大により、インターネット・オブ・モノ(LAE-IoT)ネットワークは前例のないセキュリティ上の課題を生んだ。
従来の侵入検知システムは、空中IoT環境のユニークな特徴に対処できない。
LAE-IoTネットワークにおける侵入検出を強化するための大規模言語モデル(LLM)対応エージェントAIフレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-25T12:47:25Z) - HiFiNet: Hierarchical Fault Identification in Wireless Sensor Networks via Edge-Based Classification and Graph Aggregation [11.108171977551619]
HiFiNetは、無線ネットワークのための階層的な障害識別フレームワークである。
局所時間パターンとネットワーク全体の空間依存性の両方をキャプチャすることで、より正確な予測を行う。
既存の手法の精度、F1スコア、精度を著しく上回っている。
論文 参考訳（メタデータ） (2025-11-06T16:15:19Z) - Contrastive-KAN: A Semi-Supervised Intrusion Detection Framework for Cybersecurity with scarce Labeled Data [0.0]
半教師付きコントラスト学習フレームワークに基づくリアルタイム侵入検知システムを提案する。
本手法は, ラベルのないデータを利用して, 正常な動作と攻撃動作を効果的に識別する。
実験結果から,本手法は既存のコントラスト学習手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-07-14T21:02:34Z) - veriFIRE: Verifying an Industrial, Learning-Based Wildfire Detection
System [0.14680035572775532]
我々は,実世界の安全クリティカルシステムの信頼性向上を目的とした,産業と学界のコラボレーションであるVeriFIREプロジェクトについて紹介する。
本稿では,システムとその特性について述べるとともに,システムの一貫性を検証する試みについて述べる。
我々は,本研究を,学術指向の検証ツールを実世界の興味あるシステムに組み込むための一歩とみなしている。
論文 参考訳（メタデータ） (2022-12-06T19:41:08Z) - Identifying Out-of-Distribution Samples in Real-Time for Safety-Critical
2D Object Detection with Margin Entropy Loss [0.0]
本稿では,2次元物体検出におけるOOD検出の限界エントロピー(ME)損失を利用したアプローチを提案する。
ME損失をトレーニングしたCNNは、標準信頼度スコアを用いてOOD検出を著しく上回る。
論文 参考訳（メタデータ） (2022-09-01T11:14:57Z) - Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。
ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
論文 参考訳（メタデータ） (2021-03-08T10:56:38Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - No Need to Know Physics: Resilience of Process-based Model-free Anomaly
Detection for Industrial Control Systems [95.54151664013011]
本稿では,システムの物理的特性に反する逆スプーフ信号を生成するための新しい枠組みを提案する。
トップセキュリティカンファレンスで公表された4つの異常検知器を分析した。
論文 参考訳（メタデータ） (2020-12-07T11:02:44Z)
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。