Fugu-MT 論文翻訳(概要): Learning Lookahead Lemmas for Neural Network Verification

論文の概要: Learning Lookahead Lemmas for Neural Network Verification

arxiv url: http://arxiv.org/abs/2607.29051v1
Date: Fri, 31 Jul 2026 06:10:12 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-03 14:29:40.630938
Title: Learning Lookahead Lemmas 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Lookahead Lemmasの学習
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.5152969679088641
License: http://creativecommons.org/licenses/by/4.0/
Abstract: State-of-the-art neural network verifiers use the branch-and-bound procedure as their core solving mechanism. We introduce an inprocessing framework for neural network verification driven by the lookahead procedure. Under this framework, lookahead derives new lemmas over the phases of unstable ReLUs, which are collected into an implication graph that is used to prune the search space and vivify boolean cuts. We instantiate the framework in two state-of-the-art verifiers, Marabou and $α$-$β$-CROWN, and demonstrate that it improves performance in both, proving up to 34% more instances unsatisfiable.
Abstract（参考訳）: 最先端のニューラルネットワーク検証器は、その中核的な解決メカニズムとしてブランチ・アンド・バウンド・プロシージャを使用している。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。この枠組みの下では、ルックアヘッドは不安定なReLUの位相上の新しい補題を導出し、探索空間を練習しブールカットを活性化するために使用される含意グラフに収集される。 2つの最先端検証ツールであるMarabouと$α$-$β$-CROWNでフレームワークをインスタンス化し、両方のパフォーマンスを改善し、最大34%のインスタンスが満足できないことを示した。

関連論文リスト

Simplifying Neural Networks During Training [1.7966001353008778]
トレーニング中のディープネットワークを簡素化するためのNCにインスパイアされたトレーニングフレームワークを提案する。 Inverse Fisher Criterion による表現力学のモニタリングを行う。次に、後続のプロキシ層を軽量な分類ヘッドに置き換え、縮小モデルのトレーニングを継続します。
論文参考訳（メタデータ） (2026-07-30T08:32:40Z)
Lookahead Branching for Neural Network Verification [9.663454345795031]
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。
論文参考訳（メタデータ） (2026-07-19T15:15:51Z)
Floating-Point Neural Network Verification at the Software Level [2.228696309685013]
ニューラルネットワークコンポーネントの動作は、安全クリティカルなシステムにデプロイする前に、正しく証明されなければならない。既存のニューラルネットワーク検証技術は、ソフトウェアレベルでの欠陥の欠如を証明できない。浮動小数点の実装を明示的に推論することで、ニューラルネットワークが安全であることを特定し、検証する方法を示す。
論文参考訳（メタデータ） (2025-10-27T14:43:19Z)
Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文参考訳（メタデータ） (2025-05-21T13:22:20Z)
DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文参考訳（メタデータ） (2024-05-07T07:51:28Z)
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)
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)
Complete Verification via Multi-Neuron Relaxation Guided Branch-and-Bound [2.896192909215469]
両パラダイムの強みを組み合わせた新しい完全検証器を提案する。 BaBプロセス中に生成されるサブプロブレムの数を劇的に減少させるために、マルチニューロン緩和を用いる。評価の結果,既存のベンチマークと,従来考えられていたよりもはるかに高い精度のネットワークにおいて,検証が新たな最先端性を達成できることが確認された。
論文参考訳（メタデータ） (2022-04-30T13:12:33Z)
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)
Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文参考訳（メタデータ） (2020-04-26T04:52:22Z)
Parallelization Techniques for Verifying Neural Networks [52.917845265248744]
検証問題に基づくアルゴリズムを反復的に導入し、2つの分割戦略を探索する。また、ニューラルネットワークの検証問題を単純化するために、ニューロンアクティベーションフェーズを利用する、高度に並列化可能な前処理アルゴリズムも導入する。
論文参考訳（メタデータ） (2020-04-17T20:21:47Z)
Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文参考訳（メタデータ） (2020-03-31T16:47:20Z)

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。