通过最小化过近似区域收紧基于 MaxPool 的神经网络鲁棒性验证
机器学习
2025-03-31 v2 人工智能
密码学与安全
摘要
神经网络分类器的鲁棒性在安全关键领域十分重要，并可通过鲁棒性验证进行量化。目前，高效且可扩展的验证技术总是可靠但不完备的，因此，已验证鲁棒性结果的提升是评估不完备验证方法性能的关键准则。多元函数 MaxPool 被广泛采用但难以验证。本文提出 Ti-Lin，一种基于紧致线性近似、用于基于 MaxPool 的 CNN 的鲁棒性验证器。遵循最小化 CNN 非线性函数过近似区域的研究脉络，我们首次提出了 MaxPool 函数可证明的逐神经元最紧线性界。通过我们提出的线性界，能够为 CNN 认证更大的鲁棒性结果。我们在包含 LeNet、PointNet 以及训练于 MNIST、CIFAR-10、Tiny ImageNet 和 ModelNet40 数据集的网络等开源基准的不同验证框架上评估了 Ti-Lin 的有效性。实验结果表明，Ti-Lin 在所有网络上显著优于最先进方法，在认证准确率上最高提升 78.6%，且耗时与最快工具几乎相同。我们的代码见 https://github.com/xiaoyuanpigo/Ti-Lin-Hybrid-Lin。
引用
@article{arxiv.2211.09810,
title = {Tightening Robustness Verification of MaxPool-based Neural Networks via Minimizing the Over-Approximation Zone},
author = {Yuan Xiao and Yuchen Chen and Shiqing Ma and Chunrong Fang and Tongtong Bai and Mingzheng Gu and Yuxin Cheng and Yanwei Chen and Zhenyu Chen},
journal= {arXiv preprint arXiv:2211.09810},
year = {2025}
}
备注
Accepted to CVPR 2025. Code Link: https://github.com/xiaoyuanpigo/Ti-Lin-Hybrid-Lin