卷积神经网络的可达性分析
计算机视觉与模式识别
2021-06-24 v1
摘要
深度卷积神经网络已广泛用作处理复杂实际问题的有效技术。然而，一个基本问题是缺乏分析其行为的形式化方法。为应对这一挑战，我们提出了一种在给定输入域下计算网络精确可达集的方法，其中可达集由面格结构表示。除计算可达集外，我们的方法还能够给定输出可达集反向追踪至输入域。因此，可实现网络行为的完整分析。此外，还引入了一种快速分析方法，通过考虑每层中选定的敏感神经元来快速计算可达集。精确的像素级可达性分析方法在用于 CIFAR10 数据集的 CNN 上评估，并与相关作品比较。快速分析方法在用于 CIFAR10 数据集的 CNN 和用于 ImageNet 数据集的 VGG16 架构上评估。
引用
@article{arxiv.2106.12074,
title = {Reachability Analysis of Convolutional Neural Networks},
author = {Xiaodong Yang and Tomoya Yamaguchi and Hoang-Dung Tran and Bardh Hoxha and Taylor T Johnson and Danil Prokhorov},
journal= {arXiv preprint arXiv:2106.12074},
year = {2021}
}