PulseAugur
中
实时 05:21:23
English(EN) The Complexity of Verifying Feedforward Neural Networks in Quantised Settings

探索量化设置下神经网络验证的复杂性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员分析了在使用量化设置时验证前馈神经网络（FNN）的计算复杂性。他们将FNN分为有理数、量化和动态量化类型，并同时考虑了线性规划（LP）和位向量（BV）规范。对于具有固定精度的量化FNN，LP和BV规范的验证仍然是NP完全问题。对于具有BV规范的动态量化FNN，在先前的PSPACE-hardness发现的基础上，建立了新的上限。 AI

排序理由 这是一篇研究论文，详细介绍了与神经网络相关的理论计算复杂性发现。[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 →

探索量化设置下神经网络验证的复杂性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Eric Alsmann, Martin Lange, Marco S\"alzer ·

    量化环境下前馈神经网络验证的复杂性

    arXiv:2605.29537v1 Announce Type: cross Abstract: We investigate the computational complexity of neural network verification in quantised settings. We distinguish three classes of Feedforward Neural Networks (FNNs): rational FNNs with exact rational weights, quantised FNNs whose …

相关实体

相关话题