×
埃里克·古博;Sylvie推杆

RINO：神经网络控制系统的鲁棒INner和Outer近似可达性。 （英语） Zbl 1518.93013号

Shoham，Sharon（编辑）等人，《计算机辅助验证》。第34届国际会议，CAV 2022，以色列海法，2022年8月7日至10日。诉讼程序。第一部分查姆：施普林格。莱克特。注释计算。科学。13371, 511-523 (2022).
摘要：我们提出了一种在RINO工具中实现的统一方法，用于计算离散时间和连续时间动力系统可达集的内外近似，这些系统可能由具有可微激活函数的神经网络控制。RINO将分区集表示与广义均值AE扩展相结合，计算可微函数鲁棒范围的欠近似和过近似，并将这些技术应用于学习型动力系统的特殊情况。AE扩展需要对函数及其相对于输入和初始条件的雅可比进行有效和准确的评估。对于可能由神经网络控制的连续时间系统，评价函数是动力系统的解。在RINO中，使用Taylor方法在时间上对其进行过近似，并结合基于集合的分区图评估。在一组神经网络控制闭环系统的经典基准示例上，我们展示了RINO与最新工具Verisig 2.0和ReachNN*相比的良好性能。对于与Verisig 2.0大致相当的精度和比ReachNN*更高的精度，RINO总是至少快一个数量级，同时计算其他工具无法计算的更复杂的内近似。
关于整个系列，请参见[Zbl 1499.68025号].

MSC公司：

93个B03 可达集，可达性
93B70型 网络控制
93-08 系统和控制理论相关问题的计算方法

关键词：

神经网络验证;可达性分析;稳健性;内逼近

软件：

夏洛克;NNV公司;Verisig公司;MPT公司;菲利布++;珊瑚
PDF格式BibTeX公司 XML格式引用
\textit{E.Goubault}和\textit{S.Putot}，Lect。注释计算。科学。13371511-523（2022年；兹比尔1518.93013）
全文： 内政部

参考文献：

[1] Althoff，M.：CORA 2015简介。In:连续和混合系统应用验证研讨会会议记录（2015年）
[2] Althoff，M.：使用保守多项式和非凸集对非线性系统进行可达性分析。参见：HSCC 2013，第173-182页。纽约计算机协会（2013年）。doi:10.1145/2461328.2461358·兹比尔1362.93011
[3] Chen，X.，Al brahám，E.，Sankaranarayanan，S.：非线性混合系统的泰勒模型流管构造。2012年IEEE第33届实时系统研讨会，第183-192页（2012）
[4] Comba，J.，Stolfi，J.：仿射算法及其在计算机图形中的应用。输入：SIBGRAPI（1993）
[5] Dutta，S.，Chen，X.，Sankaranarayanan，S.：使用回归规则推理的神经反馈系统可达性分析（2019）·Zbl 07120151号
[6] Dutta，S.、Kushner，T.、Jha，S.和Sankaranarayanana，S.，Shankar，N.，Tiwari，A.：Sherlock：深度神经网络验证工具（2019）
[7] 范，J。；黄，C。；陈，X。；李伟（Li，W.）。；朱，Q。；悬挂，DV；Sokolsky，O.，ReachNN*：用于神经网络控制系统可达性分析的工具，验证和分析自动化技术，537-542（2020），商会：施普林格，商会·doi:10.1007/978-3-030-59152-6_30
[8] Goubault，E。；Putot，S.，鲁棒欠逼近及其在具有扰动的非线性控制系统可达性中的应用，IEEE控制系统。莱特。，4, 4, 928-933 (2020) ·doi:10.1109/LCSYS.2020.2997261
[9] Goubault，E.，Puto，S.：控制系统验证的内部和外部可达性。在：第22届ACM混合系统国际会议论文集：计算与控制，HSCC 2019，加拿大蒙特利尔，2019年4月16日至18日，第11-22页。ACM（2019年）·Zbl 07120136号
[10] Goubault，E.，Puto，S.：非线性系统的可牵引高阶近似AE扩展。摘自：Jungers，R.M.，Ozay，N.，Abate，A.（编辑）ADHS 2021。IFAC-PapersOnLine，第54卷，第235-240页。爱思唯尔（2021）
[11] Goubault，E。；推杆，S。；Sahlmann，L。；节流阀，H。；Weissenbacher，G.，《延迟微分方程的内部和外部近似流管》，计算机辅助验证，523-541（2018），查姆：Springer，查姆·Zbl 1511.93048号 ·doi:10.1007/978-3-319-96142-2_31
[12] Huang，C.，Fan，J.，Chen，X.，Li，W.，Zhu，Q.：POLAR：用于验证神经网络控制系统的多项式算法框架（2021）·兹比尔1236.26014
[13] 黄，C。；范，J。；李伟（Li，W.）。；陈，X。；Zhu，Q.，ReachNN:神经网络控制系统的可达性分析，ACM Trans。嵌入。计算。系统。，18, 1-22 (2019) ·doi:10.1145/3358228
[14] Ivanov，R.、Weimer，J.、Alur，R.，Pappas，G.J.、Lee，I.：Verisig：用神经网络控制器验证混合系统的安全特性（2019）·Zbl 07120152号
[15] 伊万诺夫·R。；Carpenter，T。；韦默，J。；阿鲁尔（Alur，R.）。；帕帕斯，G。；Lee，我。；席尔瓦，A。；Leino，KRM，Verisig 2.0:使用泰勒模型预处理验证神经网络控制器，计算机辅助验证，249-262（2021），Cham:Springer，Cham·Zbl 1493.68211号 ·doi:10.1007/978-3-030-81685-8_11
[16] Johnson，T.T.等：ARCH-COMP21类别报告：连续和混合系统电厂的人工智能和神经网络控制系统（AINNCS）。参见：Frehse，G.，Althoff，M.（编辑）第八届连续和混合系统应用验证国际研讨会（ARCH 2021）。EPiC计算机系列，第80卷，第90-119页。EasyChair（2021）
[17] Johnson，T.T.等：ARCH-COMP20类别报告：连续和混合系统电厂的人工智能和神经网络控制系统（AINNCS）。包含：ARCH20。第七届连续和混合系统应用验证国际研讨会（ARCH 2020）。EPiC计算机系列，第74卷，第107-139页。EasyChair（2020年）。doi:10.29007/9xgv
[18] 科瓦斯尼卡，M。；格里德，P。；Baotić，M。；莫拉里，M。；阿鲁尔（Alur，R.）。；Pappas，GJ，多参数工具箱（MPT），混合系统：计算与控制，448-462（2004），海德堡：施普林格·Zbl 1087.93047号 ·doi:10.1007/978-3-540-24743-230
[19] Lerch，M.，Tischler，G.，von Gudenberg，J.W.，Hofschuster，W.，Kramer，W.:FILIB++，支持包容计算的快速区间库。ACM事务处理。数学。软32、299-324（2006）·Zbl 1365.65140号
[20] 米切尔，IM；Bemporad，A。；比奇，A。；Buttazzo，G.，《比较前向和后向可达性作为安全分析的工具》，《混合系统：计算和控制》，428-443（2007），海德堡：斯普林格·Zbl 1221.93029号 ·doi:10.1007/978-3-540-71493-4_34
[21] Schilling，C.，Forets，M.，Guadalupe，S.：通过整合Taylor模型和分区图验证神经网络控制系统（2021）
[22] Singh，G.、Gehr，T.、Mirman，M.、Püschel，M.和Vechev，M.T.：快速有效的稳健性认证。摘自：《神经信息处理系统进展》，NeurIPS，第10825-10836页（2018年）
[23] Tran，H-D；ter Beek，MH公司；McIver，A。；Oliveira，JN，深度神经网络的基于星的可达性分析，形式方法-未来30年，670-686（2019），Cham:Springer，Cham·doi:10.1007/978-3-030-30942-8_39
[24] Tran，H-D；拉希里，斯洛伐克；Wang，C.，NNV：深度神经网络和学习型网络物理系统的神经网络验证工具，计算机辅助验证，3-17（2020），Cham:Springer，Cham·doi:10.1007/978-3-030-53288-81
[25] Wetzlinger，M.，Kulmburg，A.，Althoff，M.：非线性系统可达性分析的自适应参数调整。摘自：第24届混合系统：计算与控制国际会议记录。HSCC 2021。计算机协会（2021）·Zbl 07601772号
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。