贝叶斯神经网络的风险厌恋认证
机器学习
2024-12-02 v1
摘要
鉴于现实环境的固有复杂性和动态特性，在评估深度学习模型的鲁棒性时纳入风险度量因素至关重要。本文提出了一种名为RAC-BNN的贝叶斯神经网络风险厌恋认证框架。该方法利用抽样与优化技术计算贝叶斯神经网络输出集合的可靠近似，采用模板多边形表示输出集合。为增强鲁棒性评估，我们将一致的扰动风险度量——条件价值 at Risk（Conditional Value at Risk, CVaR）集成到认证框架中，基于通过抽样获得的经验分布提供概率性保证。我们在多个回归和分类基准测试上对RAC-BNN进行了验证，并与当前最先进的方法进行了比较。结果表明，RAC-BNN能够在最差表现的风险情景下有效量化鲁棒性，并在复杂任务中实现更紧的认证界限和更高的效率。
引用
@article{arxiv.2411.19729,
title = {Risk-Averse Certification of Bayesian Neural Networks},
author = {Xiyue Zhang and Zifan Wang and Yulong Gao and Licio Romao and Alessandro Abate and Marta Kwiatkowska},
journal= {arXiv preprint arXiv:2411.19729},
year = {2024}
}