POLAR：用于验证神经网络控制系统的多项式算术框架
系统与控制
2022-12-27 v5 机器学习
系统与控制
摘要
我们提出 POLAR，一个基于多项式算术、用于神经网络控制系统（NNCS）高效有界时间可达性分析的框架。现有利用标准泰勒模型（TM）算术逼近神经网络控制器的方法无法处理不可微激活函数，且在传播 TM 时余项迅速膨胀。POLAR 通过将 TM 算术与 \textbf{Bernstein Bézier 形式} 及 \textbf{符号余项} 相结合克服了这些缺陷。前者使 TM 能跨越不可微激活函数传播并对 TM 进行局部细化，后者减少了网络中线性映射的 TM 余项误差累积。实验结果表明，POLAR 在可达集过近似的效率和紧致性方面均显著优于当前最优工具。源代码见 https://github.com/ChaoHuang2018/POLAR_Tool。
引用
@article{arxiv.2106.13867,
title = {POLAR: A Polynomial Arithmetic Framework for Verifying Neural-Network Controlled Systems},
author = {Chao Huang and Jiameng Fan and Zhilu Wang and Yixuan Wang and Weichao Zhou and Jiajun Li and Xin Chen and Wenchao Li and Qi Zhu},
journal= {arXiv preprint arXiv:2106.13867},
year = {2022}
}
备注
Accepted by ATVA 2022