摘要
补充材料
Abadi,M.,Agarwal,A.,Barham,P.,Brevdo,E.,Chen,Z.,Citro,C.,Corrado,G.S.,Davis,A.,Dean,J.,Devin,M.版本, I.、Talwar,K.、Tucker,P.、Vanhoucke,V.、Vasudevan,V.,Viégas,F.、Vinyals,O.、Warden,P.,Wattenberg,M.、Wicke,M..、Yu,Y.和Zheng,X.TensorFlow:异构系统上的大规模机器学习,2015年。 张量流提供的软件。 组织。 谷歌学者 Akintund,M.、Lomuscio,A.、Maganti,L.和Pirovano,E.神经-主体-环境系统的可达性分析。 《知识表示和推理原则:第十六届国际会议论文集》,KR 2018,亚利桑那州坦佩,2018年10月30日至11月2日(2018),M.Thielscher、F.Toni和F.Wolter,编辑,AAAI出版社,第184-193页。 谷歌学者 Anderson,G.、Pailoor,S.、Dillig,I.和Chaudhuri,S.优化和抽象:分析神经网络鲁棒性的协同方法。 arXiv电子版(2019年4月),arXiv:1904.09959。 谷歌学者 Balunovic,M.、Baader,M.,Singh,G.、Gehr,T.和Vechev,M.T.证明神经网络的几何鲁棒性。 《神经信息处理系统的进展》第32期:2019年神经信息处理体系年度会议,2019年,NeurIPS 2019年12月8日至14日,加拿大不列颠哥伦比亚省温哥华(2019),H.M.Wallach、H.Larochelle、A.Beygelzimer、F.d'Alché-Buc、E.B.Fox和R.Garnett,Eds.,第15287-15297页。 谷歌学者 Botoeva,E.、Kouvaros,P.、Kronqvist,J.、Lomuscio,A.和Misener,R.通过依赖性分析对基于relu的神经网络进行有效验证。 《第三十四届AAAI人工智能会议》,《AAAI 2020》,《第三十二届人工智能创新应用会议》,IAAI 2020,《第十届AAAI-人工智能教育进步研讨会》,EAAI 2020年,美国纽约州纽约市,2020年2月7日至12日(2020),AAAI出版社,第3291-3299页。 谷歌学者 交叉引用 Cousot,P.和Coosot,R.抽象解释:通过构造或近似不动点对程序进行静态分析的统一格模型。 在第四届ACM编程语言原则研讨会(POPL)(1977年)上,第238-252页。 谷歌学者 Dutta,S.、Jha,S.,Sankaranarayanan,S.和Tiwari,A.深度前馈神经网络的输出范围分析。 2018年4月17日至19日,美国弗吉尼亚州纽波特新闻(Newport News),美国国家航空航天局正式方法第十届国际研讨会,第121-138页。 谷歌学者 Ehlers,R.分段线性前馈神经网络的形式化验证。 在第15届国际验证与分析自动化技术研讨会(2017)上,第269-286页。 谷歌学者 交叉引用 Gehr,T.、Mirman,M.、Drachsler-Cohen,D.、Tsankov,P.、Chaudhuri,S.和Vechev,M.AI2:具有抽象解释的神经网络的安全性和稳健性认证。 2018年IEEE安全与隐私研讨会(S&P 2018)(2018),第948-963页。 谷歌学者 Huang,X.、Kroening,D.、Ruan,W.、Sharp,J.、Sun,Y.、Thamo,E.、Wu,M.和Yi,X.深度神经网络的安全性和可信度调查:验证、测试、对抗性攻击和防御以及可解释性。 《计算机科学评论》(2020)。 谷歌学者 Huang,X.、Kwiatkowska,M.、Wang,S.和Wu,M.深度神经网络的安全验证。 第29届国际计算机辅助验证会议(CAV2017)(2017),第3-29页。 谷歌学者 交叉引用 Jia,Y.、Shelhamer,E.、Donahue,J.、Karayev,S.、Long,J.、Girschick,R.、Guadarrama,S.和Darrell,T.Cafe:快速特征嵌入的卷积架构。 arXiv预印本arXiv:1408.5093(2014)。 谷歌学者 Katz,G.、Barrett,C.W.、Dill,D.L.、Julian,K.和Kochenderfer,M.J.Reluplex:验证深层神经网络的有效SMT解算器。 第29届计算机辅助验证国际会议(CAV2017)(2017),第97-117页。 谷歌学者 交叉引用 Katz,G.、Huang,D.A.、Ibeling,D.、Julian,K.、Lazarus,C.、Lim,R.、Shah,P.、Thakoor,S.、Wu,H.、Zeljić,A.、Dill,D.L.、Kochenderfer,M.J.和Barrett,C.深度神经网络验证和分析的marabou框架。 在《计算机辅助验证》(Cham,2019)中,I.Dillig和S.Tasiran,Eds.,Springer International Publishing,第443-452页。 谷歌学者 交叉引用 Ko,C.-Y.,Lyu,Z.,Weng,T.-W.,Daniel,L.,Wong,N.和Lin,D.POPQORN:量化递归神经网络的鲁棒性。 arXiv电子打印(2019年5月),arXiv:1905.07387。 谷歌学者 Krizhevsky,A.,Hinton,G.等人,从微小的图像中学习多层特征。 谷歌学者 Lécun,Y.、Bottou,L.、Bengio,Y.和Haffner,P.基于梯度的学习应用于文档识别。 IEEE 86,11(1998),2278-2324的会议记录。 谷歌学者 交叉引用 Li,J.、Liu,J.,Yang,P.、Chen,L.、Huang,X.和Zhang,L.用符号传播分析深层神经网络:朝着更高精度和更快验证的方向发展。 静态分析第26届国际研讨会,SAS 2019,葡萄牙波尔图,2019年10月8日至11日,Proceedings(2019),B.E.Chang,Ed.,第11822卷,计算机科学讲稿,Springer,第296-319页。 谷歌学者 Paszke,A.、Gross,S.、Massa,F.、Lerer,A.、Bradbury,J.、Chanan,G.、Killeen,T.、Lin,Z.、Gimelshein,N.、Antiga,L.、Desmaison,A.、Kopf,A.,Yang,E.、DeVito,Z.,Raison,M.、Tejani,A.、Chilamkurthy,S.,Steiner,B.、Fang,L.,Bai,J.和Chintala,S.Pythort:一个命令式、高性能的深度学习库。 《神经信息处理系统进展》32,H.Wallach、H.Larochelle、A.Beygelzimer、F.d'Alché-Buc、E.Fox和R.Garnett,编辑:Curran Associates,Inc.,2019年,第8024-8035页。 谷歌学者 Pulina,L.和Tacchella,A.验证人工神经网络的一种抽象-细化方法。 2010年7月15日至19日在英国爱丁堡举行的2010年CAV第22届国际会议上的计算机辅助验证。 《会议记录》(2010年),第243-257页。 谷歌学者 Ruan,W.、Huang,X.和Kwiatkowska,M.具有可证明保证的深度神经网络的可达性分析。 IJCAI2018(2018),第2651-2659页。 谷歌学者 Singh,G.、Gehr,T.、Mirman,M.、Püschel,M.和Vechev,M.T.快速有效的稳健性认证。 《神经信息处理系统进展》第31期:2018年神经信息处理体系年会,2018年12月3日至8日,加拿大蒙特利尔,NeurIPS 2018。 (2018),第10825-10836页。 谷歌学者 Singh,G.,Gehr,T.,Püschel,M.和Vechev,M.T.,神经网络认证的抽象领域。 程序。 ACM计划。 Lang.3,POPL(2019),41:1-41:30。 谷歌学者 Singh,G.,Gehr,T.,Püschel,M.和Vechev,M.T.,神经网络认证的抽象领域。 PACMPL 3,POPL(2019),41:1-41:30。 谷歌学者 Sun,Y.、Wu,M.、Ruan,W.、Huang,X.、Kwiatkowska,M.和Kroening,D.深度神经网络的契约测试。 自动化软件工程(ASE),第33届IEEE/ACM国际会议(2018年)。 谷歌学者 Wang,J.、Dong,G.、Sun,J.,Wang,X.和Zhang,P.通过模型突变测试检测深层神经网络的对抗样本。 2019年IEEE/ACM第41届国际软件工程会议(ICSE)(2019年),第1245-1256页。 谷歌学者 Weng,T.-W.,Zhang,H.,Chen,H.、Song,Z.、Hsieh,C.-J.、Boning,D.、Dhillon,I.S.和Daniel,L.朝向ReLU网络认证鲁棒性的快速计算。 arXiv电子版(2018年4月),arXiv:1804.09699。 谷歌学者 Weng,T.-W.,Zhang,H.,Chen,P.-Y.,Yi,J.,Su,D.,Gao,Y.,Xieh,C.-J.和Daniel,L.评估神经网络的鲁棒性:极值理论方法。 arXiv电子版(2018年1月),arXiv:1801.10578。 谷歌学者 Wicker,M.、Huang,X.和Kwiatkowska,M.深度神经网络的特征引导黑盒安全测试。 在系统构建和分析工具和算法国际会议(TACAS2018)(2018)上,Springer,第408-426页。 谷歌学者 交叉引用 Wu,M.、Wicker,M.,Ruan,W.、Huang,X.和Kwiatkowska,M.。具有可证明保证的深度神经网络的基于游戏的近似验证。 理论计算机科学807(2020),298-329。 谷歌学者
建议
深度神经网络的快速鲁棒性预测 Internetware’19:第11届亚太地区Internetware研讨会论文集 深度神经网络(DNN)在许多困难的任务中取得了令人印象深刻的性能。 然而,DNN模型本质上是人类无法理解的,不幸的是,它容易受到敌对攻击,这阻碍了其在安全和安保领域的应用。。。 OccRob公司 :基于SMT的深度神经网络遮挡鲁棒性验证 系统构建和分析的工具和算法 摘要 遮挡是深度神经网络(DNN)中一种普遍存在且易于实现的语义扰动。 它可以通过遮挡某些片段来愚弄DNN对输入图像进行错误分类,可能会导致严重错误。 因此,在……种植DNN。。。