論文の概要: Closing the Loop: Branch-and-Bound for Scalable Verification of Nonlinear Neural Feedback Systems

• arxiv url: http://arxiv.org/abs/2609.16298v1
• Date: Mon, 14 Sep 2026 19:54:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 14:56:08.227301
• Title: Closing the Loop: Branch-and-Bound for Scalable Verification of Nonlinear Neural Feedback Systems
• Title（参考訳）: ループの閉包:非線形神経フィードバック系の拡張的検証のための分岐境界
• Abstract要約: 動的に多面的囲いをLiRPAスタイルの有界伝播に公開するインターフェースであるrailと,囲いを改良してコントローラのアクティベーションを分割する分岐とバウンドのアルゴリズムであるCellperを導入する。 このフレームワークは、閉ループシステムの計算グラフに対する共同推論を可能にし、時間ステップにまたがるシンボリックな相関を保存する。
• 参考スコア（独自算出の注目度）: 22.06977556411476
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite recent advances in the verification of nonlinear neural feedback systems, scalability remains the central obstacle, as state-of-the-art solvers do not yet handle the network sizes and nonlinear dynamics of autonomy applications. Combinatorial solvers do not scale to large networks, whereas propagative solvers excessively sacrifice precision. This work seeks to improve the scalability of combinatorial solvers by formulating verification as branch-and-bound on an abstraction of the closed-loop system. We introduce \rail, an interface that exposes polyhedral enclosures of the dynamics to LiRPA-style bound propagation, and \clipper, a branch-and-bound algorithm that jointly refines enclosures and splits controller activations. This framework enables joint reasoning on the computational graph of the closed-loop system, preserving symbolic correlations across time steps. We present our construction and show that it yields significant improvements over the state of the art.
• Abstract（参考訳）: 近年の非線形神経フィードバックシステムの検証の進歩にもかかわらず、スケーラビリティは依然として中心的な障害であり、最先端の解法はまだ自律アプリケーションのネットワークサイズや非線形ダイナミクスを処理していない。 組合せ解法は大規模ネットワークにスケールしないが、伝播解法は精度を過度に犠牲にする。 本研究は,閉ループシステムの抽象化上での分岐とバウンドの検証を定式化することにより,組合せ解法のスケーラビリティの向上を目指す。 本稿では, 動的の多面的囲いをLiRPAスタイルの有界伝播に公開するインタフェースである \rail と, 囲いを改良し, コントローラの活性化を分割する分岐結合アルゴリズムである \clipper を紹介する。 このフレームワークは、閉ループシステムの計算グラフに対する共同推論を可能にし、時間ステップにまたがるシンボリックな相関を保存する。 建設について述べるとともに、現状よりも大幅に改善されていることを示す。

関連論文リスト

• A Nonlinear Separation Principle: Applications to Neural Networks, Control and Learning [3.2241707757984788]
  本稿では,連続時間および離散時間発射速度とホップフィールド再帰型ニューラルネットワーク(RNN)について検討する。 本稿では,契約状態フィードバックコントローラと契約オブザーバの相互接続に対するグローバル指数安定性を保証する非線形分離原理を導入する。 焼成速度とホップフィールドニューラルネットワークアーキテクチャの両方の縮約性を保証する鋭い線形行列不等式(LMI)条件を導出する。
  論文  参考訳（メタデータ） (2026-04-16T17:12:32Z)
• A Secure and Private Distributed Bayesian Federated Learning Design [56.92336577799572]
  DFL(Distributed Federated Learning)は、中央パラメータサーバを持たない大規模システム間の分散モデルトレーニングを可能にする。 DFLは、3つの重要な課題に直面している: 正直な隣人からのプライバシー漏洩、中央調整の欠如による収束の遅さ、モデルの精度の低下を目指すビザンティンの敵に対する脆弱性。 本稿では,ビザンチンの堅牢性,プライバシー保護,収束促進を統合した新しいDFLフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-23T16:12:02Z)
• Verifying Closed-Loop Contractivity of Learning-Based Controllers via Partitioning [52.23804865017831]
  本稿では,ニューラルネットワークによるパラメータ化を行う非線形制御系における閉ループ収縮の検証問題に対処する。 我々は、対称メッツラー行列の優越的固有値が非正であることを確かめるために、閉ループの縮約性に対するトラクタブルでスケーラブルな十分条件を導出する。
  論文  参考訳（メタデータ） (2025-12-01T23:06:56Z)
• Scalable Verification of Neural Control Barrier Functions Using Linear Bound Propagation [50.53301323864253]
  制御バリア関数 (CBF) は非線形動的制御システムの安全性を保証するための一般的なツールである。 本稿では,ニューラルネットワークがCBFとなるために必要な条件に対して,一方向に線形な上界と下界に基づいて,ニューラルCBFを検証するための新しい枠組みを提案する。 我々のアプローチは、CBFの最先端の検証手順よりも大きなニューラルネットワークにスケールする。
  論文  参考訳（メタデータ） (2025-11-09T11:51:15Z)
• 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)
• Generative System Dynamics in Recurrent Neural Networks [56.958984970518564]
  リカレントニューラルネットワーク(RNN)の連続時間ダイナミクスについて検討する。 線形および非線形構成の両方において安定な極限サイクルを実現するためには,スキュー対称性の重み行列が基本であることを示す。 数値シミュレーションは、非線形活性化関数が極限周期を維持するだけでなく、システム統合プロセスの数値安定性を高めることを示す。
  論文  参考訳（メタデータ） (2025-04-16T10:39:43Z)
• Nonlinear Neural Dynamics and Classification Accuracy in Reservoir Computing [3.196204482566275]
  複雑度の異なる人工分類タスクにおける貯水池コンピュータの精度について検討する。 極端に非線形性が低下した活性化関数や弱いリカレント相互作用、小さな入力信号であっても、貯水池は有用な表現を計算することができる。
  論文  参考訳（メタデータ） (2024-11-15T08:52:12Z)
• Interval Reachability of Nonlinear Dynamical Systems with Neural Network Controllers [5.543220407902113]
  本稿では、ニューラルネットワークコントローラを用いた非線形連続時間力学系の厳密な検証のための区間解析に基づく計算効率の良いフレームワークを提案する。 混合単調理論に着想を得て,ニューラルネットワークの包摂関数と開ループシステムの分解関数を用いて,閉ループ力学をより大きなシステムに組み込む。 埋め込みシステムの単一軌跡を用いて、到達可能な集合の超矩形超近似を効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2023-01-19T06:46:36Z)
• Rethinking Skip Connection with Layer Normalization in Transformers and ResNets [49.87919454950763]
  スキップ接続は、ディープニューラルネットワークの性能を改善するために広く使われているテクニックである。 本研究では,スキップ接続の有効性におけるスケール要因について検討する。
  論文  参考訳（メタデータ） (2021-05-15T11:44:49Z)
• Linear systems with neural network nonlinearities: Improved stability analysis via acausal Zames-Falb multipliers [0.0]
  ニューラルネットワークの非線形性を考慮した線形時間不変系のフィードバック相互干渉の安定性を離散時間で解析する。 このアプローチは、ニューラルネットワークの非線形性とフィードバック相互接続の安定性解析のための柔軟で汎用的なフレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T14:21:03Z)
• Reach-SDP: Reachability Analysis of Closed-Loop Systems with Neural Network Controllers via Semidefinite Programming [19.51345816555571]
  本稿では,ニューラルネットワークを用いた線形時間変化システムの安全性検証のための新しいフォワードリーチビリティ解析手法を提案する。 半有限計画法を用いて、これらの近似到達可能な集合を計算できることが示される。 提案手法は,まずディープニューラルネットワークを用いて非線形モデル予測制御器を近似し,その解析ツールを用いて閉ループシステムの有限時間到達性と制約満足度を証明した。
  論文  参考訳（メタデータ） (2020-04-16T18:48:25Z)

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。