人工神经网络的最大弹性
机器学习
2017-07-06 v2 人工智能
计算机科学中的逻辑
软件工程
摘要
人工神经网络（ANNs）在安全关键应用中的部署带来了许多新的验证和认证挑战。特别是，对于启用 ANN 的自动驾驶车辆，建立关于 ANN 对噪声甚至恶意操纵的感官输入的弹性的性质十分重要。我们通过将基于 ANN 的分类器的弹性属性定义为仍然可容忍的最大输入或传感器扰动量来解决这些挑战。这一计算 ANN 最大扰动界的问题随后被归约为求解混合整数优化问题（MIP）。开发了许多 MIP 编码启发式方法以大幅减少 MIP 求解器运行时间，并且使用 MIP 求解器的并行化在我们的实验中导致计算核心数量（直至某一极限）的几乎线性加速。我们通过计算从典型图像识别场景到机器人自主操纵的许多 ANN 基准集的最大弹性界，证明了我们方法的有效性和可扩展性。
引用
@article{arxiv.1705.01040,
title = {Maximum Resilience of Artificial Neural Networks},
author = {Chih-Hong Cheng and Georg Nührenberg and Harald Ruess},
journal= {arXiv preprint arXiv:1705.01040},
year = {2017}
}
备注
Timestamp research work conducted in the project. version 2: fix some typos, rephrase the definition, and add some more existing work