alpha_beta-CROWN
PulseAugur coverage of alpha_beta-CROWN — every cluster mentioning alpha_beta-CROWN across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的前瞻引理框架增强了神经网络验证
研究人员开发了一种新的神经网络验证过程内框架，该框架利用前瞻过程。该方法基于不稳定的ReLU生成新的引理，然后将这些引理编译成蕴含图，以修剪搜索空间并改进布尔割。当在Marabou和alpha-beta-CROWN等现有验证器中实现时，该框架显示出显著的性能提升，证明了多达34%的不可满足实例。
-
新的前瞻策略提高了神经网络验证效率
研究人员开发了一种新的神经网络验证前瞻分支策略，旨在提高现有分支定界验证器的效率和有效性。该策略可以集成到当前的验证方法中，并已被证明可以生成加速验证过程的附加引理。当在 Marabou 和 alpha_beta-CROWN 等最先进的验证器中实现时，前瞻方法一致地减少了验证时间，并将已解决实例的数量增加了多达 57%。
-
新的Veriphi系统集成了攻击和认证用于神经网络验证
研究人员开发了Veriphi，一个用于验证神经网络的新系统，它集成了快速对抗性攻击与形式化边界认证。在MNIST和CIFAR-10数据集上的实验表明，不同训练方法的有效性高度依赖于数据集。例如，区间边界传播在MNIST上表现良好，但在CIFAR-10上表现不佳，而投影梯度下降对抗性训练在该数据集上表现更优。Veriphi在验证方面实现了五倍的加速，并扩展到大型模型以进行航空航天物流优化，挑战了认证训练普遍优于对抗性训练的观点。
-
AI验证通过新的并行技术进行扩展
研究人员已将通常用于训练大型模型的张量并行和全分片数据并行技术应用于改进神经网络验证的可扩展性。这些方法解决了以前限制形式验证算法的GPU内存限制。研究表明，内存显著减少，其中FSDP在保持与单GPU系统位相同的界限的同时，基线内存下降高达90%。
-
神经网络验证器 alpha-beta-CROWN 增强控制合成安全性
研究人员开发了一个统一的框架，用于融合神经网络验证与控制合成，旨在提高关键系统的安全性。该方法利用 alpha-beta-CROWN 神经网络验证器来计算非线性函数的认证边界和线性松弛。通过分析状态域上的实值不等式，可以实现对稳定性、安全性等控制属性的可扩展验证，而 GPU 并行化则提高了复杂问题的性能。