一类通用神经常微分方程的可达性分析
机器学习
2022-07-15 v1
摘要
被称为神经常微分方程（Neural ODEs）的连续深度学习模型在过去几年中受到了相当多的关注。尽管其影响日益增长，但缺乏针对这些系统的形式化分析技术。在本文中，我们考虑一类具有不同架构和层的通用神经 ODE，并引入一种新颖的可达性框架，以支持对其行为的形式化分析。为神经 ODE 可达性分析所开发的方法在新工具 NNVODE 中实现。具体而言，我们的工作扩展了现有的神经网络验证工具以支持神经 ODE。我们通过对一组基准（包括用于分类的神经 ODE，以及控制和动力系统中的神经 ODE）的分析，展示了我们方法的能力与效能，并在可能的情况下，针对连续时间系统可达性文献中的现有软件工具评估了我们方法的效能与能力。
引用
@article{arxiv.2207.06531,
title = {Reachability Analysis of a General Class of Neural Ordinary Differential Equations},
author = {Diego Manzanas Lopez and Patrick Musau and Nathaniel Hamilton and Taylor T. Johnson},
journal= {arXiv preprint arXiv:2207.06531},
year = {2022}
}