基于星集可达性分析与变长时间序列输入的深度神经网络鲁棒性验证
机器学习
2023-07-27 v1 人工智能
计算机与社会
神经与进化计算
摘要
数据驱动、基于神经网络（NN）的异常检测与预测性维护是新兴的研究领域。基于 NN 的时间序列数据分析为过往行为及关键参数（如设备剩余使用寿命（RUL）与电池荷电状态（SOC））的估计提供了有价值的洞察。然而，输入时间序列数据在通过传感器时可能暴露于有意或无意的噪声中，因而需要对这些 NN 进行鲁棒的确认与验证。本文给出一种基于集合形式化方法的时间序列回归 NN（TSRegNN）鲁棒性验证方法的案例研究。其重点在于利用变长输入数据来简化输入操控并增强网络架构的泛化能力。该方法应用于预测与健康管理（PHM）领域的两个数据集：（1）锂离子电池的 SOC 估计与（2）涡轮发动机的 RUL 估计。利用基于星集的可达性分析检验 NN 的鲁棒性，并以若干性能指标评估输入中有界扰动对网络输出（即未来结果）的影响。总体而言，本文为真实应用中基于 NN 的时间序列数据分析的确认与验证提供了全面案例研究，强调了鲁棒性测试对于准确可靠预测的重要性，尤其考虑到噪声对未来结果的影响。
引用
@article{arxiv.2307.13907,
title = {Robustness Verification of Deep Neural Networks using Star-Based Reachability Analysis with Variable-Length Time Series Input},
author = {Neelanjana Pal and Diego Manzanas Lopez and Taylor T Johnson},
journal= {arXiv preprint arXiv:2307.13907},
year = {2023}
}
备注
Under Review, 26 Pages, 14 figures, 2 tables