CAPM：基于双网络的 Maxpool 型 CNN 快速稳健验证
计算机视觉与模式识别
2025-06-30 v3 人工智能
机器学习
摘要
本研究使用 CAPM（Convex Adversarial Polytope for Maxpool-based CNN）提高一般用途基于 Maxpool 的卷积神经网络（CNN）在受限范数对抗扰动下的验证边界。将 Maxpool 函数分解为一系列 ReLU 函数，以扩展对 Maxpool 函数的凸松弛技术，通过该技术可通过双网络高效计算验证边界。实验结果表明，该技术允许对基于 Maxpool 的 CNN 实现最新的验证精度，并且计算成本显著低于当前验证方法，如 DeepZ、DeepPoly 和 PRIMA。该方法也适用于大规模 CNN，这些网络以往往在计算上难以承担。在某些情况下，CAPM 比 PRIMA/DeepPoly/DeepZ 快 40 倍、20 倍或快 2 倍，并且给出显著更高的验证边界（CAPM 98% vs. PRIMA 76%/DeepPoly 73%/DeepZ 8%）。此外，我们还阐述了算法的时间复杂性为 ，其中 W 为神经网络的最大宽度，N 为神经元数量，K 为 Maxpool 层的内核大小。
引用
@article{arxiv.2407.09550,
title = {CAPM: Fast and Robust Verification on Maxpool-based CNN via Dual Network},
author = {Jia-Hau Bai and Chi-Ting Liu and Yu Wang and Fu-Chieh Chang and Pei-Yuan Wu},
journal= {arXiv preprint arXiv:2407.09550},
year = {2025}
}