×
Tran，Hoang-Dung村;内拉尼亚娜·帕尔;迭戈·曼扎纳斯·洛佩兹;帕特里克·穆索;杨晓东;阮、滦越;项伟明;斯坦利·巴克;泰勒·T·约翰逊。

分段深度神经网络的验证：带zonotope预滤器的星集方法。 （英语） Zbl 1519.68143号

正式Asp。计算。 33，编号4-5，519-545（2021）。

引用于10文件

MSC公司：

60年第68季度 规范和验证（程序逻辑、模型检查等）
68T07型 人工神经网络与深度学习

关键词：

形式验证;安全;稳健性;神经网络验证;神经网络

软件：

MPT公司;MNIST公司;深度愚人;NNV公司;Reluplex公司
PDF格式BibTeX公司 XML格式引用
\textit{H.-D.Tran}等人，正式Asp。计算。33，编号4--5，519--545（2021；Zbl 1519.68143）
全文： 内政部

参考文献：

[1] Akintund ME、Kevorchian A、Lomuscio A、Pirovano E（2019）《基于RNN的神经代理环境系统的验证》。收录：第33届AAAI人工智能会议记录（AAAI19）。美国夏威夷州火奴鲁鲁市AAAI出版社（即将出版）
[2] Akintund M、Lomuscio A、Maganti L、Pirovano E（2018）神经-主体-环境系统的可达性分析。参加：第十六届知识表示和推理原则国际会议
[3] Bak S，Duggirala PS（2017）《具有输入的大型线性系统的模拟等效可达性》。参加：计算机辅助验证国际会议。施普林格，第401-420页·Zbl 1497.93010号
[4] Bojarski M、Del Testa D、Dworakowski D、Firner B、Flepp B、Goyal P、Jackel LD、Monfort M、Muller U、Zhang J等人（2016），针对自动驾驶汽车的端到端学习。arXiv预打印arXiv:1604.07316
[5] Bastani O、Ioannou Y、Lampropoulos L、Vytiniotis D、Nori A、Criminisi A（2016）《带约束的神经网络鲁棒性测量》。主题：神经信息处理系统的进展，第2613-2621页
[6] Bak S，Tran H-D，Hobbs K，Johnson T（2020）验证ReLU神经网络的改进几何路径枚举。收录于：第32届计算机辅助验证国际会议论文集。施普林格·Zbl 1478.68142号
[7] Dutta S、Jha S、Sanakaranarayanan S、Tiwari A（2017）深度神经网络的输出范围分析。arXiv预打印arXiv:1709.09130
[8] Ehlers R（2017）分段线性前馈神经网络的形式验证。参加：用于核查和分析的自动化技术国际研讨会。施普林格，第269-286页·Zbl 1495.68131号
[9] Gehr T、Mirman M、Drachsler-Cohen D、Tsankov P、Chaudhuri S、Vechev M（2018）Ai 2:具有抽象解释的神经网络的安全性和稳健性认证。参加：2018年IEEE安全与隐私研讨会（SP）
[10] Goodfellow IJ、Shlens J、Szegedy C（2014）《解释和利用对抗性示例》。arXiv预打印arXiv:1412.6572
[11] Hinton G、Deng L、Yu D、Dahl GE、Mohamed A、Jaitly N、Senior A、Vanhoucke V、Nguyen P、Sainath TN等（2012）语音识别中声学建模的深度神经网络：四个研究小组的共同观点。IEEE信号处理杂志29（6）：82-97
[12] Heilweil R（2020）特斯拉需要解决其致命的自动驾驶仪问题
[13] Huang X，Kwiatkowska M，Wang S，Wu M（2017）深度神经网络的安全验证。参加：计算机辅助验证国际会议。施普林格，第3-29页·Zbl 1494.68166号
[14] Julian KD，Kochenderfer MJ，Owen MP（2018）用于飞机防撞系统的深度神经网络压缩。arXiv预打印arXiv:1810.04240
[15] Katz G、Barrett C、Dill DL、Julian K、Kochenderfer MJ（2017）Reluplex：用于验证深层神经网络的高效smt求解器。参加：计算机辅助验证国际会议。施普林格，第97-117页·兹比尔1494.68167
[16] Kvasnica M、Grieder P、BaotićM、Morari M（2004）多参数工具箱（MPT）。参加：混合系统：计算与控制国际研讨会。施普林格，第448-462页·Zbl 1135.93332号
[17] Guy K、Derek AH、Duligur I、Kyle J、Christopher L、Rachel L、Parth S、Shantanu T、Haoze W、Aleksandar Z等人（2019）深度神经网络验证和分析的marabou框架。参加：计算机辅助验证国际会议。施普林格，pp 443-452
[18] Kouvaros P，Lomuscio A（2018）基于cnn的感知系统的正式验证。arXiv预打印arXiv:1811.11373·Zbl 1351.68294号
[19] LeCun Y（1998）手写数字的mnist数据库。http://yann.lecun.com/exdb/mnist/
[20] Litjens G、Kooi T、Bejnordi BE、Setio AAA、Ciompi F、Ghafoorian M、van der Laak Jeroen AWM、van Ginneken B、Sánchez CI（2017）医学图像分析深度学习调查。医学图像分析42:60-88
[21] Lomuscio A，Maganti L（2017）前馈relu神经网络可达性分析方法。arXiv预打印arXiv:1706.07351
[22] Liu W，Wang Z，Liu X，Zeng N，Liu Y，Alsaadi FE（2017）深度神经网络体系结构及其应用综述。神经计算234:11-26
[23] Moosavi-Dezfouli S-M，Fawzi A，Frossard P（2016）《深度愚弄：愚弄深度神经网络的简单而准确的方法》。摘自：IEEE计算机视觉和模式识别会议记录，第2574-2582页
[24] Muoio D（2017）亚利桑那州车祸中的自驾优步在穿越十字路口时遭遇黄色优步车祸
[25] Pulina L，Taccella A（2010）人工神经网络验证的一种抽象再细化方法。参加：计算机辅助验证国际会议。施普林格，第243-257页
[26] Singh G、Gehr T、Mirman M、Püschel M、Vechev M（2018）快速有效的稳健性认证。主题：神经信息处理系统的进展，第10825-10836页
[27] Singh G，Gehr T，Püschel M，Vechev M（2019）证明神经网络的抽象域。程序ACM程序语言3（POPL）：41
[28] Tran H-D，Bak S，Xiang W，Johnson TT（2020）使用成像星验证深度卷积神经网络。参加：第32届计算机辅助验证国际会议（CAV）。施普林格·Zbl 1478.68180号
[29] Tran H-D，Musau P，Lopez DM，Yang X，Nguyen LV，Xiang W，Johnson TT（2019），前馈神经网络的可并行可达性分析算法。在：第七届软件工程正式方法国际会议（FormaliSE2019），加拿大蒙特利尔
[30] Tran H-D，Musau P，Lopez DM，Yang X，Nguyen LV，Xiang W，Johnson TT（2019），基于星的深度神经网络可达性分析。第23届形式方法国际研讨会（FM’19）。施普林格
[31] Tran H-D，Pal N，Musau P，Yang X，Hamilton NP，Lopez DM，Bak S，Johnson TT（2021），使用松弛可达性对语义分段神经网络进行鲁棒性验证。收录：第33届计算机辅助验证国际会议记录。施普林格·兹比尔1493.68221
[32] Tran H-D、Yang X、Lopez DM、Musau P、Nguyen LV、Xiang W、Bak S、Johnson TT（2020）NNV：深层神经网络和学习型网络物理系统的神经网络验证工具。参加：第32届计算机辅助验证国际会议
[33] Wang S，Pei K，Whitehouse J，Yang J，Jana S（2018）神经网络的高效形式安全分析。主题：神经信息处理系统的进展，第6369-6379页
[34] Wang S，Pei K，Whitehouse J，Yang J，Jana S（2018）使用符号区间的神经网络形式安全分析。arXiv预打印arXiv:1804.10829
[35] Weng T-W，Zhang H，Chen H，Song Z，Hsieh C-J，Boning D，Dhillon IS，Daniel L（2018）relu网络认证鲁棒性的快速计算。arXiv预打印arXiv:1804.09699
[36] Xiang W、Musau P、Wild AA、Lopez DM、Hamilton N、Yang X、Rosenfeld JA、Johnson TT（2018）《机器学习、自主性和神经网络调查验证》。CoRR arXiv:1810.01989
[37] Xiang W，Tran H-D，Johnson TT（2017），相关激活神经网络的可达集计算和安全验证。arXiv预打印arXiv:1712.08163
[38] Xiang W，Tran H-D，Johnson TT（2018）多层神经网络的输出可达集估计与验证。IEEE Trans Neural Netw学习系统（99）：1-7
[39] Xiang W，Tran H-D，Johnson TT（2019）前馈神经网络的规范引导安全验证。AAAI春季神经网络验证研讨会
[40] Zhang H，Weng T-W，Chen P-Y，Hsieh C-J，Daniel L（2018）具有通用激活函数的高效神经网络鲁棒性认证。主题：神经信息处理系统的进展，第4944-4953页
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。