論文の概要: Lookahead Branching for Neural Network Verification

• arxiv url: http://arxiv.org/abs/2607.17290v1
• Date: Sun, 19 Jul 2026 15:15:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.420433
• Title: Lookahead Branching for Neural Network Verification
• Title（参考訳）: ニューラルネットワーク検証のためのルックヘッド分岐
• Abstract要約: 任意の分岐結合検証器にルックアヘッドを統合するための一般的なレシピを提案する。 我々は、ルックアヘッドが検証時間において一貫したスピードアップをもたらし、さらに解決されたインスタンスに対して最大57%の費用がかかることを示した。
• 参考スコア（独自算出の注目度）: 9.663454345795031
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we investigate the effect of lookahead branching strategies in neural network verification. We present a general recipe to integrate lookahead into any branch-and-bound verifier and demonstrate how one of the current state-of-the-art branching heuristics, FSB, can be viewed as a special instantiation of the lookahead branching strategy. We also describe how, in addition to improving the quality of branching decisions, lookahead can generate additional lemmas that accelerate verification. We instantiate the method in two representative branch-and-bound-based verifiers (Marabou and $α$-$β$-CROWN), and demonstrate that lookahead leads to consistent speedups in verification time and up to $57\%$ more solved instances. Code is available at https://github.com/ai-ar-research/lookahead-branching.
• Abstract（参考訳）: 本研究では,ニューラルネットワーク検証におけるルックアヘッド分岐戦略の効果について検討する。 本稿では,任意のブランチ・アンド・バウンド検証器にルックアヘッドを組み込んで,現在の最先端分岐ヒューリスティック(FSB)の1つを,ルックアヘッド分岐戦略の特別なインスタンス化とみなす方法を示す。 また、分岐決定の質の向上に加えて、ルックアヘッドが検証を加速する追加の補題を生成する方法についても述べる。 この手法を2つの代表的な分岐およびバウンドベースの検証器(Marabou と $α$-$β$-CROWN)でインスタンス化し、ルックアヘッドが検証時間に一貫したスピードアップをもたらし、最大 57% % 以上の解決されたインスタンスを生成することを示した。 コードはhttps://github.com/ai-ar-research/lookahead-branching.comから入手できる。

関連論文リスト

• Learning Lookahead Lemmas for Neural Network Verification [1.5152969679088641]
  我々は、ルックアヘッド手順によって駆動されるニューラルネットワーク検証のためのインプロセッシングフレームワークを導入する。 2つの最先端検証ツールであるMarabouと$-$-$-CROWNでフレームワークをインスタンス化し、両者のパフォーマンス改善を実証する。
  論文  参考訳（メタデータ） (2026-07-31T06:10:12Z)
• Efficient and Trainable Language Model Test-Time Scaling via Local Branch Routing [65.59464371673623]
  Local Branch Routing (LBR)はトークンレベルのテストタイムスケーリングフレームワークである。 小さなローカルなルックアヘッドツリーを拡張し、言語モデルを通じてすべてのサンプルブランチを転送し、軽量ルータを使用してコミットするdeep-1サブツリーを選択する。 LBRにより、各トークン決定は、完全なソリューションレベルの検索を避けながら、ルート次トーケン分布を超えるエビデンスを使用することができる。
  論文  参考訳（メタデータ） (2026-06-24T03:42:44Z)
• Progressive Online Video Understanding with Evidence-Aligned Timing and Transparent Decisions [75.23170605943457]
  textbfmodelは、メモリ統合から推論制御を分離するフレームワークである。 emphActive Thinking Decision Maker (ATDM)は、決定プロセスの外部化を行う透明な推論コントローラである。 emphHierarchical Progressive Semantic Integration (HPSI)モジュールは効率的なメモリシステムとして機能する。
  論文  参考訳（メタデータ） (2026-04-20T16:15:33Z)
• Incremental Neural Network Verification via Learned Conflicts [3.030776653725253]
  本稿では,関連する検証クエリ間の競合を再利用するインクリメンタルな検証手法を提案する。 継承された競合はSATソルバを使用して処理され、一貫性チェックと伝搬を行う。 我々の実験は、インクリメンタルコンフリクトの再利用は検証の労力を減らし、非インクリメンタルベースラインよりも最大1.9倍のスピードアップをもたらすことを示した。
  論文  参考訳（メタデータ） (2026-03-12T17:52:12Z)
• Introducing Gating and Context into Temporal Action Detection [0.8987776881291144]
  時間的行動検出(TAD)は、動作の重なり合いと動作の変動が原因で依然として困難である。 最近の知見から,TAD性能は自己保持機構よりもトランスの構造設計に依存することが示唆された。 本稿では,軽量かつ効果的な操作による特徴抽出プロセスを提案する。
  論文  参考訳（メタデータ） (2024-09-06T11:52:42Z)
• DiffVein: A Unified Diffusion Network for Finger Vein Segmentation and Authentication [50.017055360261665]
  DiffVeinは、静脈分割と認証タスクを同時に処理する統合拡散モデルベースのフレームワークである。 これら2つのブランチ間の機能相互作用を改善するために,2つの特別なモジュールを導入する。 このようにして、我々のフレームワークは拡散とセグメンテーションの埋め込みの間の動的相互作用を可能にする。
  論文  参考訳（メタデータ） (2024-02-03T06:49:42Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Weakly-Supervised Spatio-Temporal Anomaly Detection in Surveillance Video [128.41392860714635]
  Weakly-Supervised Snoma-Temporally Detection (WSSTAD) を監視ビデオに導入する。 WSSTADは異常事象を封止する時空間管(すなわち連続する境界ボックスのシーケンス)をローカライズすることを目的としている。 本稿では,空間的・時間的領域に複数粒度を持つ入力提案を行うデュアルブランチネットワークを提案する。
  論文  参考訳（メタデータ） (2021-08-09T06:11:14Z)
• Neural Network Branch-and-Bound for Neural Network Verification [26.609606492971967]
  本稿では,効率的な分岐戦略を設計するための新しい機械学習フレームワークを提案する。 グラフ入力として検証したいネットワークを直接扱う2つのグラフニューラルネットワーク(GNN)を学習する。 我々のGNNモデルは、より大きな未確認ネットワーク上での厳しい特性に対してよく一般化されていることを示す。
  論文  参考訳（メタデータ） (2021-07-27T14:42:57Z)

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。