面向神经网络验证的优化符号区间传播
机器学习
2022-12-19 v1 人工智能
密码学与安全
计算机科学中的逻辑
摘要
神经网络在安全关键领域的应用日益增多，因此其验证的重要性不断提升。近期大量用于证明前馈神经网络输入输出关系的算法基于线性松弛与符号区间传播。然而，由于变量依赖关系，随着网络深度增加，近似精度会恶化。本文提出 DPNeurifyFV，一种基于带新变量与输入分割的符号区间传播、面向低维输入空间 ReLU 网络的新型分支定界求解器。一种用于选择新变量的新启发式方法可缓解依赖问题，而我们新颖的分割启发式方法结合若干其他改进，加速了分支定界过程。我们在机载防撞网络 ACAS Xu 上评估了我们的方法，并展示了相比最先进工具的运行时改进。
引用
@article{arxiv.2212.08567,
title = {Optimized Symbolic Interval Propagation for Neural Network Verification},
author = {Philipp Kern and Marko Kleine Büning and Carsten Sinz},
journal= {arXiv preprint arXiv:2212.08567},
year = {2022}
}
备注
Published at the 1st Workshop on Formal Verification of Machine Learning (WFVML 2022) (https://www.ml-verification.com/)