論文の概要: Verifying Neural Networks with Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.34553v1
• Date: Mon, 28 Sep 2026 08:12:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 12:32:13.327508
• Title: Verifying Neural Networks with Reinforcement Learning
• Title（参考訳）: 強化学習によるニューラルネットワークの検証
• Abstract要約: 形式検証はディープニューラルネットワーク(DNN)の信頼性を確保する上で重要な役割を果たす。 現代の検証者は分岐とバウンドのフレームワークを使用し、分岐(より小さなサブプロブレムに分割する)とバウンディング(プルーニングサブプロブレムに分割する)を交互に交互に行い、検証空間を効率的に探索する。 この研究は、ベースライン分岐を洗練させる強化学習フレームワークRSBを紹介する。
• 参考スコア（独自算出の注目度）: 7.480478840881969
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Formal verification can play a key role in ensuring the reliability of Deep Neural Networks (DNNs) deployed in safety-critical systems. Modern DNN verifiers employ a branch-and-bound framework, which alternates between branching (splitting into smaller subproblems) and bounding (pruning subproblems) to efficiently explore the verification space. However, existing branching heuristics make greedy decisions based on static scoring functions. They do not anticipate long-term efficiency or leverage the growing availability of verification data to improve performance. This work introduces RSB, a reinforcement learning framework that learns to refine baseline branching heuristics. It trains an actor-critic architecture to maximize cumulative future rewards rather than immediate scores. The actor generates attention weights from observations of raw neuron features and learned graph embeddings, which rescale baseline heuristic scores to guide neuron branching. Evaluation on 600 challenging instances demonstrates that RSB consistently outperforms state-of-the-art branching heuristics, solving 11% more instances while reducing branch exploration by 50%.
• Abstract（参考訳）: 形式検証は、安全クリティカルなシステムにデプロイされるディープニューラルネットワーク(DNN)の信頼性を保証する上で、重要な役割を果たす可能性がある。 現代のDNN検証は分岐とバウンドのフレームワークを使用し、分岐(小さなサブプロブレムに分割する)とバウンド(分岐サブプロブレムに分割する)を交互に行い、検証空間を効率的に探索する。 しかし、既存の分岐ヒューリスティックは静的スコアリング関数に基づいて欲求決定を行う。 彼らは長期的効率を期待せず、また、性能を改善するために検証データの増大を期待していない。 この研究は、ベースライン分岐ヒューリスティックを洗練させる強化学習フレームワークRSBを紹介する。 即時スコアではなく、累積的な将来の報酬を最大化するためにアクター批判的アーキテクチャを訓練する。 アクターは、生のニューロンの特徴の観察と、ベースラインヒューリスティックスコアを再スケールしてニューロンの分岐を誘導するグラフ埋め込みから注意重みを生成する。 600の挑戦的なインスタンスに対する評価は、RSBが最先端の分岐ヒューリスティックを一貫して上回り、さらに11%のインスタンスを解決し、分岐探索を50%削減していることを示している。

関連論文リスト

• Lattice-Based Pruning in Recurrent Neural Networks via Poset Modeling [0.0]
  リカレントニューラルネットワーク(RNN)はシーケンスモデリングタスクの中心であるが、その高い計算複雑性はスケーラビリティとリアルタイムデプロイメントの課題を引き起こす。 本稿では,RNNを部分的に順序付けられた集合(命題)としてモデル化し,対応する依存格子を構成する新しいフレームワークを提案する。 既約ニューロンを同定することにより、格子ベースのプルーニングアルゴリズムは、冗長なニューロンを除去しながら、重要な接続を選択的に保持する。
  論文  参考訳（メタデータ） (2025-02-23T10:11:38Z)
• Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
  我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
  論文  参考訳（メタデータ） (2023-02-06T16:38:43Z)
• 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)
• FFNB: Forgetting-Free Neural Blocks for Deep Continual Visual Learning [14.924672048447338]
  我々は、新しい忘れのないニューラルブロック(FFNB)に基づく連続学習のための動的ネットワークアーキテクチャを考案する。 FFNB機能を新しいタスクでトレーニングするには、以前のタスクのnull-スペースのパラメータを制約する新しいプロシージャを使用する。
  論文  参考訳（メタデータ） (2021-11-22T17:23:34Z)
• Towards Evaluating and Training Verifiably Robust Neural Networks [81.39994285743555]
  We study the relationship between IBP and CROWN, and prove that CROWN are always tight than IBP when select each bounding lines。 線形結合伝播(LBP) CROWNの緩やかなバージョンを提案する。これは、大きなネットワークを検証して、より低い検証エラーを得るのに使用できる。
  論文  参考訳（メタデータ） (2021-04-01T13:03:48Z)
• Online Limited Memory Neural-Linear Bandits with Likelihood Matching [53.18698496031658]
  本研究では,探索学習と表現学習の両方が重要な役割を果たす課題を解決するために,ニューラルネットワークの帯域について検討する。 破滅的な忘れ込みに対して耐性があり、完全にオンラインである可能性の高いマッチングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-07T14:19:07Z)
• Encoding the latent posterior of Bayesian Neural Networks for uncertainty quantification [10.727102755903616]
  我々は,複雑なコンピュータビジョンアーキテクチャに適した効率的な深部BNNを目指している。 可変オートエンコーダ(VAE)を利用して、各ネットワーク層におけるパラメータの相互作用と潜在分布を学習する。 我々のアプローチであるLatent-Posterior BNN(LP-BNN)は、最近のBatchEnsemble法と互換性があり、高い効率(トレーニングとテストの両方における計算とメモリ)のアンサンブルをもたらす。
  論文  参考訳（メタデータ） (2020-12-04T19:50:09Z)

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。