计算机科学>人工智能
标题: UR4NNV:神经网络验证,欠近似可达性工作!
摘要: 近年来,深度神经网络(DNN)的形式化验证受到了广泛关注,而基于过逼近的方法因其有效性和效率而备受欢迎。 然而,这些策略在解决“未知困境”时面临着挑战,即精确输出区域或引入的近似误差是否违反了所讨论的属性。 为了解决这个问题,本文介绍了UR4NNV验证框架,该框架首次将欠近似可达性分析用于DNN验证。 UR4NNV关注具有整流线性单元(ReLU)激活的DNN,并采用基于二叉树分支的欠近似算法。 在每个历元中,UR4NNV下逼近可达集的一个子多面体,并根据给定的属性验证该多面体。 通过一种试错方法,UR4NNV有效地伪造了DNN属性,同时在达到验证纪元边界和伪造属性失败时提供了置信水平。 与现有验证方法的实验比较表明,UR4NNV的有效性和效率,显著降低了“未知困境”的影响。