由真值表构建的可扩展、可解释、可验证且可微的逻辑门卷积神经网络架构
人工智能
2023-02-03 v3 形式语言与自动机理论
机器学习
符号计算
摘要
我们提出 ruth able net（net），一种新颖的卷积神经网络（CNN）架构，其设计旨在解决可解释性、形式化验证和逻辑门转换等开放挑战。net 使用等价于易处理真值表的 CNN 滤波器构建，我们称之为学习真值表（LTT）块。LTT 块的双重形式使真值表易于通过梯度下降训练，并使这些 CNN 易于解释、验证和推断。具体而言，net 是一种深度 CNN 模型，经过训练后变换可自动表示为布尔决策树之和，或析取/合取范式（DNF/CNF）公式之和，或紧凑布尔逻辑电路。我们在多个数据集上展示了 net 的有效性与可扩展性，显示出与决策树相当的可解释性、快速完备/可靠的形式化验证，以及可扩展的逻辑门表示，均优于最先进方法。我们认为该工作朝使 CNN 在真实关键应用中更透明和可信赖迈出了一步。
引用
@article{arxiv.2208.08609,
title = {A Scalable, Interpretable, Verifiable & Differentiable Logic Gate Convolutional Neural Network Architecture From Truth Tables},
author = {Adrien Benamira and Tristan Guérand and Thomas Peyrin and Trevor Yap and Bryan Hooi},
journal= {arXiv preprint arXiv:2208.08609},
year = {2023}
}