論文の概要: NNV3: Expanding Neural Network Verification to New Architectures and Domains

• arxiv url: http://arxiv.org/abs/2609.30050v1
• Date: Thu, 24 Sep 2026 16:11:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.084872
• Title: NNV3: Expanding Neural Network Verification to New Architectures and Domains
• Title（参考訳）: NNV3: ニューラルネットワークの検証を新しいアーキテクチャとドメインに拡張
• Abstract要約: NNV3は、ディープラーニングモデルと学習可能なサイバー物理システムの正式な検証のためのフレームワークである。 Star-setファミリーの新たなメンバーは、重量摂動下のネットワークを検証するためのModelStar、ビデオとボリュームの3D入力のためのVolumeStar、グラフニューラルネットワークのためのGraphStarである。 NNV3は、マルウェア検出、グラフベースのパワーシステムモデル、医療画像、可変長時系列データ、行動認識のための新しいベンチマークを導入した。
• 参考スコア（独自算出の注目度）: 8.519419017627461
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present NNV3, the latest version of the Neural Network Verification (NNV) tool, a MATLAB framework for formal verification of deep learning models and learning-enabled cyber-physical systems. Building on the set-based reachability foundation of NNV 1.0 (FFNNs, CNNs, NNCS) and NNV 2.0 (RNNs, SSNNs, neural ODEs), NNV3 introduces new members of the Star-set family: ModelStar for verifying networks under weight perturbation, VolumeStar for video and 3D volumetric inputs, and GraphStar for graph neural networks. A conformal-inference-based probabilistic reachability mode complements sound analysis for problems where deterministic verification is intractable, while FairNNV certifies counterfactual and individual fairness properties over continuous input regions. NNV3 introduces new benchmarks for malware detection, graph-based power-system models, medical imaging, variable-length time series data, and action recognition. NNV3 also incorporates tutorials and developer guides through a unified documentation site. This paper details these major updates, demonstrating NNV's maturation into a comprehensive, robust, and accessible verification tool for a diverse range of AI systems.
• Abstract（参考訳）: 本稿では,ニューラルネットワーク検証(NNV)ツールの最新バージョンであるNNV3について紹介する。 NNV 1.0(FFNNs、CNNs、NNCS)とNNV 2.0(RNNs、SSNNs、Neural ODEs)のセットベースのリーチビリティ基盤を基盤として、NNV3はStar-setファミリーの新しいメンバーを紹介している。 共形推論に基づく確率的到達性モードは、決定論的検証が難解な問題に対して音響解析を補完する一方、FairNNVは連続入力領域上での対実的および個人的公正性を証明する。 NNV3は、マルウェア検出、グラフベースのパワーシステムモデル、医療画像、可変長時系列データ、行動認識のための新しいベンチマークを導入した。 NNV3にはチュートリアルや開発者ガイドも統合されたドキュメントサイトを通じて組み込まれている。 本稿では,これらのメジャーアップデートについて詳述するとともに,NNVの成熟を,さまざまなAIシステムを対象とした包括的で堅牢でアクセス可能な検証ツールとして示す。

関連論文リスト

• NNsight and NDIF: Democratizing Access to Open-Weight Foundation Model Internals [58.83169560132308]
  NNsightとNDIFを導入し、非常に大きなニューラルネットワークによって学習された表現と計算の科学的研究を可能にする。
  論文  参考訳（メタデータ） (2024-07-18T17:59:01Z)
• Nearest Neighbors Meet Deep Neural Networks for Point Cloud Analysis [14.844183458784235]
  我々は,空間近傍適応(SN-Adapter)と呼ばれるパラメータの再設計や余分なパラメータを伴わずに,既存のディープニューラルネットワークを強化する方法を提案する。 訓練された3Dネットワーク上に構築された学習符号化機能を利用して,学習データセットの特徴を抽出し,それらを空間知識として要約する。 テストポイントクラウドでは、SN-Adapterは、事前構築された空間プロトタイプからk隣人(k-NN)を検索し、k-NN予測を元の3Dネットワークのプロトタイプと線形補間する。
  論文  参考訳（メタデータ） (2023-03-01T17:57:09Z)
• Tensor Networks Meet Neural Networks: A Survey and Future Perspectives [27.596881394688985]
  テンソルニューラルネットワーク(TNN)とニューラルネットワーク(NN)は2つの基本的なデータモデリングアプローチである。 TNは指数的な数の次元を複雑さに変換することによって、大規模テンソルの次元性の呪いを解決する。 NNは、コンピュータビジョン、自然言語処理、ロボット工学の研究など、様々な応用において優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2023-01-22T17:35:56Z)
• Investigation and rectification of NIDS datasets and standratized feature set derivation for network attack detection with graph neural networks [0.0]
  グラフニューラルネットワーク(GNN)は、フロー機能とともにネットワークトポロジを分析する機会を提供する。 本稿では,ToN-IoTデータセットの異なるバージョンを調査し,いくつかのバージョンで矛盾点を指摘する。 本稿では,NetFlowv5互換データからのみ派生した,新しい標準化およびコンパクトなフロー特徴セットを提案する。
  論文  参考訳（メタデータ） (2022-12-26T07:42:25Z)
• Robust Knowledge Adaptation for Dynamic Graph Neural Networks [61.8505228728726]
  動的グラフニューラルネットワークのための強化学習による堅牢な知識適応フレームワークであるAda-DyGNNを提案する。 我々のアプローチは、強化学習による堅牢な知識適応を探求する最初の試みである。 3つのベンチマークデータセットの実験は、Ada-DyGNNが最先端のパフォーマンスを達成することを示した。
  論文  参考訳（メタデータ） (2022-07-22T02:06:53Z)
• GNNLens: A Visual Analytics Approach for Prediction Error Diagnosis of Graph Neural Networks [42.222552078920216]
  Graph Neural Networks(GNN)は、ディープラーニング技術をグラフデータに拡張することを目的としている。 GNNは、モデル開発者やユーザから詳細を隠したブラックボックスのように振る舞う。 したがって、GNNの潜在的なエラーを診断することは困難である。 本稿では,対話型視覚分析ツールGNNLensで研究ギャップを埋め,モデル開発者やユーザによるGNNの理解と分析を支援する。
  論文  参考訳（メタデータ） (2020-11-22T16:09:08Z)
• A Unified View on Graph Neural Networks as Graph Signal Denoising [49.980783124401555]
  グラフニューラルネットワーク(GNN)は,グラフ構造化データの学習表現において顕著に普及している。 本研究では,代表的GNNモデル群における集約過程を,グラフ記述問題の解法とみなすことができることを数学的に確立する。 UGNNから派生した新しいGNNモデルADA-UGNNをインスタンス化し、ノード間の適応的滑らかさでグラフを処理する。
  論文  参考訳（メタデータ） (2020-10-05T04:57:18Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• NNV: The Neural Network Verification Tool for Deep Neural Networks and Learning-Enabled Cyber-Physical Systems [14.04358575326059]
  本稿では、ディープニューラルネットワーク(DNN)と学習可能なサイバー物理システム(CPS)のためのセットベース検証フレームワークを提案する。 NNVのクルックスは、ポリヘドラ、スターセット、ゾノトープ、抽象ドメイン表現など、様々な集合表現を利用する到達性アルゴリズムの集合である。 第1にACAS Xuネットワークの安全性検証,第2にディープラーニングに基づく適応型クルーズ制御システムの安全性検証という2つの実世界のケーススタディを用いてNNVを評価する。
  論文  参考訳（メタデータ） (2020-04-12T01:29:58Z)

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。