論文の概要: Robustness Verification of Recurrent Neural Networks with Abstraction Refinement

• arxiv url: http://arxiv.org/abs/2606.12490v1
• Date: Wed, 10 Jun 2026 11:30:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.366215
• Title: Robustness Verification of Recurrent Neural Networks with Abstraction Refinement
• Title（参考訳）: 抽象リファインメントを用いたリカレントニューラルネットワークのロバスト性検証
• Authors: Li-Jen Lin, Chih-Duo Hong,
• Abstract要約: 本稿では,この区間を分割して支配的緩和誤差を除去するRNN検証のための抽象化・リファインメントフレームワークを提案する。 CIFAR10とMNISTストロークベンチマークの実験では、抽象のみのベースラインよりも検証成功と堅牢性に一貫した改善が示されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Certified local robustness verification for recurrent neural networks (RNNs) is challenging because approximation errors introduced by nonlinear relaxations can propagate through recurrent connections and accumulate over time. As a result, scalable linear bound propagation methods often become overly conservative and fail to certify inputs that are in fact robust, especially when many pre-activation intervals cross zero. We propose an abstraction-refinement framework for RNN verification that partitions such intervals to remove the dominant relaxation error: on each refined branch, ReLU becomes exact, and smooth activations such as tanh and sigmoid admit substantially tighter linear envelopes. To control the combinatorial cost of splitting in long sequences, we introduce a SHAP-guided timestep selection strategy that ranks hidden states by their contribution to the verification objective and refines only the most critical timesteps in temporal order. Experiments on CIFAR10 and MNIST stroke benchmarks demonstrate consistent improvements in verification success and robustness-margin tightness over abstraction-only baselines, while exposing clear runtime trade-offs between ReLU and tanh models.
• Abstract（参考訳）: 非線形緩和によって生じる近似誤差は、繰り返し接続を介して伝播し、時間とともに蓄積するので、リカレントニューラルネットワーク(RNN)の認証された局所ロバスト性検証は困難である。 結果として、スケーラブルな線形有界伝搬法は、しばしば過度に保守的になり、特に多くの事前活性化間隔が0を超えた場合、実際に堅牢な入力を証明できない。 本稿では,RNN検証のための抽象化・リファインメント・フレームワークを提案する。各洗練された分岐においてReLUは正確となり,タンやシグモイドなどのスムーズなアクティベーションは線形包絡をかなり厳格に許容する。 長期にわたる分割の組合せコストを制御するため、SHAP誘導型時間ステップ選択戦略を導入し、検証目的への貢献によって隠蔽状態のランク付けを行い、時間順で最も重要な時間ステップのみを洗練する。 CIFAR10とMNISTのストロークベンチマークの実験は、ReLUとtanhモデルの明確なランタイムトレードオフを明らかにしながら、抽象のみのベースラインよりも、検証成功と堅牢性の厳密性を一貫して改善したことを示している。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Improving Spatio-Temporal Residual Error Propagation by Mitigating Over-Squashing [4.62541204592513]
  本稿では,エラー関連自己回帰予測の時間的制限を克服する構造的不確実性モジュールであるTegerを紹介する。 Tegerはバックボーンに依存しないため、自己回帰エンコーダによって生成される潜伏状態のみを必要とする。
  論文  参考訳（メタデータ） (2026-05-18T08:51:33Z)
• Counterexample Guided Branching via Directional Relaxation Analysis in Complete Neural Network Verification [10.808953992870954]
  ディープニューラルネットワークは例外的な性能を示すが、敵の摂動に弱いままである。 現在のデータフローアプローチは、静的に依存するブラインドリファインメントプロセスで動作する。 本稿では,Falsification に積極的に寄与するニューロンの分岐を優先する Directional Gap を導入するフレームワーク DRG-BaB を提案する。
  論文  参考訳（メタデータ） (2026-03-16T04:57:44Z)
• Error Amplification Limits ANN-to-SNN Conversion in Continuous Control [64.99656514469972]
  スパイキングニューラルネットワーク(SNN)は、すでに訓練済みのニューラルネットワーク(ANN)を変換することで、競争性能を達成することができる。 既存の変換法は、適切なベースラインがほとんど存在しないような連続的な制御では性能が良くない。 本研究では, 時間的相関誤差を抑制するために, 残留膜電位を決定段階にわたって超過する軽量なトレーニング自由機構であるCRPIを提案する。
  論文  参考訳（メタデータ） (2026-01-29T14:28:00Z)
• Lipschitz-Based Robustness Certification for Recurrent Neural Networks via Convex Relaxation [0.0]
  本稿では,RNNの層間相互作用を凸問題としてモデル化する緩和法であるRNN-SDPを提案する。 また、既知の入力制約を組み込んで得られるリプシッツ境界をさらに強化する拡張についても検討する。
  論文  参考訳（メタデータ） (2025-09-22T15:26:46Z)
• Never Reset Again: A Mathematical Framework for Continual Inference in Recurrent Neural Networks [2.1838661321884443]
  リカレントニューラルネットワーク(RNN)はシーケンシャルな処理に広く用いられているが、状態飽和による連続推論による制限に直面している。 本稿では,拡張シーケンスの精度を保ちつつ,推論中のリセットの必要性を解消する適応的損失関数を提案する。
  論文  参考訳（メタデータ） (2024-12-20T15:24:28Z)
• IBP Regularization for Verified Adversarial Robustness via Branch-and-Bound [85.6899802468343]
  IBP-Rは, どちらも簡便なトレーニングアルゴリズムである。 また、$beta$-CROWNに基づく新しいロバスト性であるUPBを提示し、最先端の分岐アルゴリズムのコストを削減する。
  論文  参考訳（メタデータ） (2022-06-29T17:13:25Z)
• Can pruning improve certified robustness of neural networks? [106.03070538582222]
  ニューラルネット・プルーニングはディープ・ニューラル・ネットワーク(NN)の実証的ロバスト性を向上させることができることを示す。 実験の結果,NNを適切に刈り取ることで,その精度を8.2%まで向上させることができることがわかった。 さらに,認証された宝くじの存在が,従来の密集モデルの標準および認証された堅牢な精度に一致することを観察する。
  論文  参考訳（メタデータ） (2022-06-15T05:48:51Z)

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。