研究人员开发了一种名为$(\text{DNN})^2$的新方法，用于改进深度神经网络的验证，特别是那些使用ReLU（整流线性单元）的网络。现有方法由于松弛中的差距，通常提供过于保守的安全保证。虽然完全正程序（CPP）公式可以弥合这些差距，但计算上不可行。提出的$(\text{DNN})^2$方法提供了一种更易于处理的松弛，它将关键约束保留为半定规划（SDP），解决了之前限制其使用的可扩展性问题。这种新方法利用了一种新颖的特征值最大化程序来找到全局最优性的有效证明，从而为安全关键型应用实现更严格、更可靠的验证。 AI
影响 增强了安全关键型系统中神经网络验证的可靠性和可扩展性。
排序理由 该集群描述了一篇详细介绍用于验证深度神经网络的新颖方法的最新研究论文。
在 Hugging Face Daily Papers 阅读 →
- artificial neural network
- arXiv
- Burer-Monteiro
- CPP
- deep neural network
- Hanna Jiamei Zhang
- linear programming
- rectifier
- semidefinite program
- (\text{DNN})^2
- Hugging Face
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
