PulseAugur
中
实时 05:51:47
English(EN) Shifting-based Optimizable Linear Relaxations for General Activation Functions

新的SLiR方法通过更广泛的适用性增强了神经网络验证

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为SLiR（基于移位的线性松弛）的新方法，用于验证神经网络的行为。与先前需要手工制作松弛的方法不同，该方法广泛适用于各种激活函数，仅需要Lipschitz常数或关键点。SLiR通过斜率参数化松弛，并使用移位过程来确保可靠的上下界，从而实现高效优化。实验表明，与现有的最先进技术相比，SLiR产生的松弛更紧密，并允许验证更多的属性。 AI

影响 能够更可靠地验证神经网络行为，有可能提高关键应用中AI系统的可信度。

排序理由 该集群包含一篇研究论文，详细介绍了一种新的神经网络验证方法。[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 →

新的SLiR方法通过更广泛的适用性增强了神经网络验证

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Carsten Sinz ·

    面向通用激活函数的基于移位和可优化的线性松弛

    The use of neural networks (NNs) is rapidly increasing, including in safety- and security-critical domains. To provide formal guarantees about NN behavior, many verification methods rely on optimizable linear relaxations of activation functions. However, existing techniques depen…

相关实体

相关话题