PulseAugur
中
实时 10:14:12
English(EN) Floating-Point Neural Network Verification at the Software Level

用于验证神经网络软件安全性的新基准和方法

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种在软件层面验证神经网络正确性的新方法，解决了现有技术的局限性。该方法明确考虑了神经网络的浮点实现，从而能够对安全关键系统进行认证。为了促进这一点，他们创建了 NeuroCodeBench 2.0，这是一个包含 912 个验证示例的基准，与国际软件验证竞赛 (SV-COMP) 兼容。初步评估显示，当前的自动验证工具只能正确解决约 11% 的示例，并且错误判决率也很高。 AI

影响 引入了一种方法和基准，以提高神经网络在安全关键应用中的可靠性。

排序理由 发布了一篇学术论文，介绍了用于神经网络的新基准和验证方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

用于验证神经网络软件安全性的新基准和方法

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Edoardo Manino, Bruno Farias, Rafael S\'a Menezes, Fedor Shmarov, Lucas C. Cordeiro ·

    软件层面的浮点神经网络验证

    arXiv:2510.23389v2 Announce Type: replace-cross Abstract: The behaviour of neural network components must be proven correct before deployment in safety-critical systems. Unfortunately, existing neural network verification techniques cannot certify the absence of faults at the sof…

相关话题