×
索姆·班纳吉;苏马纳州戈什;安苏曼·班纳吉;Mohalik，Swarup K。

基于SMT的尖峰神经网络建模与验证：案例研究。 （英语） Zbl 1529.68151号

Dragoi，Cezara（编辑）等人，《验证、模型检查和抽象解释》。第24届国际会议，VMCAI 2023，美国马萨诸塞州波士顿，2023年1月16-17日。诉讼程序。查姆：斯普林格。莱克特。注释计算。科学。13881, 25-43 (2023).
摘要：在本文中，我们使用可满足模理论（SMT）求解器对尖峰神经网络（SNN）进行了建模和验证的案例研究。SNN是一种特殊的神经网络，其结构和操作与人脑非常相似。与能量需求相对较少的传统网络相比，这些网络显示出类似的性能。我们讨论了SNN的不同性质及其功能。然后，我们使用Z3（一种流行的SMT解算器）对网络及其属性进行编码。具体来说，我们使用了线性实数运算（LRA）的理论。最后，我们提出了一个用于验证和对抗性鲁棒性分析的框架，并在Iris和MNIST基准上进行了演示。
关于整个系列，请参见[Zbl 1517.68010号].

MSC公司：

60年第68季度 规范和验证（程序逻辑、模型检查等）
2007年第68季度 受生物启发的计算模型（DNA计算、膜计算等）
92B20型 生物研究、人工生命和相关主题中的神经网络

关键词：

尖峰神经网络;可满足性模理论;验证;对抗鲁棒性

软件：

布瑞恩;MNIST公司;UCI-毫升;z3（零3）;github
PDF格式BibTeX公司 XML格式引用
\textit{S.Banerjee}等人，Lect。注释计算。科学。13881，25-43（2023；Zbl 1529.68151）
全文： 内政部

参考文献：

[1] 规范和基准。https://github.com/Soham-Banerjee/SMT-Encoding-for-Spiking-Neural-Network（https://github.com/Soham-Banaerjee/SMT-Encoding-for-Spiking-Network）
[2] 阿鲁尔（Alur，R.）。；Peled，D.，《时间自动机，计算机辅助验证》，8-22（1999），海德堡：斯普林格·Zbl 1046.68574号 ·doi:10.1007/3-540-48683-63
[3] 阿曼，B。；Ciobanu，G.，加权峰值神经系统的建模和验证，理论。计算。科学。，623, 92-102 (2016) ·Zbl 1336.68064号 ·doi:10.1016/j.tcs.2015.11.005
[4] De Maria，E.，Di Giusto，C.，Laversa，L.：建模为带参数学习的时间自动机的尖峰神经网络（2018）
[5] De Maria，E。；Muzy，A。；加菲，D。；Ressouche，A。；格拉蒙特，F。；Cinquemani，E。；Donzé，A.，《模拟为同步反应系统的神经元原型的时间特性验证》，《混合系统生物学》，97-112（2016），Cham:Springer，Cham·Zbl 1428.92008年 ·doi:10.1007/978-3-319-47151-87
[6] 德明，V。；Nekhaev，D.，基于神经元活动竞争最大化的递归尖峰神经网络学习，Front。神经信息学。，12, 79 (2018) ·doi:10.3389/fninf.2018.00079
[7] Deng，L.，用于机器学习研究的手写数字图像MNIST数据库，IEEE信号处理。Mag.，29，6，141-142（2012）·doi:10.1109/MSP.2012.2211477
[8] 迪尔，PU；Cook，M.，使用尖峰时间依赖可塑性的数字识别的无监督学习，前沿。计算。神经科学。，9, 99 (2015) ·doi:10.3389/fncom.2015.00099
[9] Ding，J.，Yu，Z.，Tian，Y.，Huang，T.：深度峰值神经网络快速准确推理的最佳ANN-SNN转换（2021）
[10] Elboher，YY；J.Gottschlich。；Katz，G。；拉希里，斯洛伐克；Wang，C.，神经网络验证的基于抽象的框架，计算机辅助验证，43-65（2020），Cham:Springer，Cham·Zbl 1478.68154号 ·doi:10.1007/978-3-030-53288-83
[11] Eshraghian，J.K.等人：利用深度学习的经验教训训练峰值神经网络（2021年）
[12] Fisher，R.：Iris，《UCI机器学习库》（1988）。https://archive.ics.uci.edu/ml/datasets/Iris网站
[13] Gokulanathan，S。；Feldsher，A。；Malca，A。；巴雷特，C。；Katz，G。；李·R。；Jha，S。；Mavridou，A。；Giannakopoulou，D.，使用形式验证简化神经网络，NASA形式方法，85-93（2020），Cham:Springer，Cham·doi:10.1007/978-3-030-55754-65
[14] Goldberger，B.，Katz，G.，Adi，Y.，Keshet，J.：使用验证对深层神经网络进行最小修改。输入：LPAR23。LPAR-23：第23届程序设计、人工智能和推理逻辑国际会议，第73卷，第260-278页（2020年）
[15] 郭伟。；马萨诸塞州福达；上午Eltawil；Salama，KN，尖峰神经网络中的神经编码：鲁棒神经形态系统的比较研究，Front。神经科学。，15, 638474 (2021) ·doi:10.3389/fnins.2021.638474
[16] Katz，G.、Barrett，C.、Dill，D.L.、Julian，K.、Kochenderfer，M.J.：Reluplex：深层神经网络推理的微积分。形式方法系统。设计1-30（2021）·Zbl 1494.68167号
[17] Kim，T.，具有具有非线性权重更新的忆阻突触的Spiking神经网络（SNN），Front。计算。神经科学。，15 (2021) ·doi:10.3389/fncom.2021.646125
[18] Kuper，L.，Katz，G.，Gottschlich，J.，Julian，K.，Barrett，C.，Kochenderfer，M.：面向安全关键型深层网络的可扩展验证（2018）
[19] Lahav，O.，Katz，G.：使用形式验证修剪和切片神经网络（2021）
[20] 李，S。；张，Z。；毛，R。；肖，J。；Chang，L。；Zhou，J.，具有自适应时钟/事件驱动计算方案和在线学习的快速节能SNN处理器，IEEE Trans。电路系统。我是Regul。爸爸。，68, 4, 1543-1552 (2021) ·doi:10.10109/TCSI.2021.3052885
[21] 刘，TY；Mahjoubfar，A。；普鲁辛斯基博士。；Stevens，L.，基于内容的图像检索的神经形态计算，PLOS One，17，4，1-13（2022）·doi:10.1371/journal.pone.0264364
[22] Malik，N.：人工神经网络及其应用（2005）
[23] de Maria，E.，Gaffé，D.，Ressouche，A.，Girard Riboulleau，C.：减少峰值神经网络的模型检查方法。摘自：2018年生物信息学——第九届生物信息学模型、方法和算法国际会议，第1-8页（2018年）
[24] de Moura，L。；比约纳，N。；罗马克里希南，CR；Rehof，J.，Z3:高效SMT求解器，系统构建和分析的工具和算法，337-340（2008），海德堡：施普林格·doi:10.1007/978-3-540-78800-3_24
[25] Stimberg，M.，Brette，R.，Goodman，D.F.：Brian 2，一个直观高效的神经模拟器。eLife 8，e47314（2019）
[26] Tavanaei，A.，Ghodrati，M.，Kheradpisheh，S.R.，Masquelier，T.，Maida，A.S.：尖峰神经网络的深度学习（2018）
[27] Tjeng，V.，Xiao，K.，Tedrake，R.：使用混合整数规划评估神经网络的鲁棒性（2017）
[28] 于，Z。；阿卜杜勒加尼，AM；扎希德，A。；Heidari，H。；马萨诸塞州伊姆兰；阿巴斯，QH，基于硬件的人工智能hopfield神经网络的神经形态计算概述，IEEE Access，867085-67099（2020）·doi:10.1109/ACCESS.2020.2985839
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。