AITOP
全部 AI 动态
AI 相关资讯全量信息流
全部博客资讯推文论文
全部模型产品行业论文技巧
标签：数据驱动×
6月16日
20:46
6月12日
12:57
6月11日
15:28
15:23
15:07
5月28日
12:02
12:02arXiv cs.LG@Jürgen Dölz, Michael Multerer, Michele Palma
传统上，神经网络的鲁棒性通过Lipschitz常数衡量，但该方法过于粗糙或严格，无法捕捉数据依赖的细微行为。本文提出基于离散模量连续性（DMOC）的数据驱动框架，它不依赖模型内部结构，而是通过数据分布评估网络的正则性。DMOC引入了可扩展的小批量算法，将计算成本从二次降为线性，适用于ImageNet等大规模数据集。实验表明，DMOC能区分已训练和未训练网络，揭示欠拟合和过拟合状态，并作为特例给出与最先进方法相当的紧Lipschitz估计。该框架为鲁棒性评估提供了更精细、数据驱动的替代方案。
论文神经网络鲁棒性Lipschitz常数数据驱动离散模量连续性大规模数据集
推荐理由：DMOC解决了Lipschitz常数在评估神经网络鲁棒性时的粗粒度问题，做模型安全或对抗性研究的团队可以直接用这个框架替代传统方法，尤其适合处理ImageNet级别的大规模数据。
原文
5月20日
11:26
11:26arXiv cs.LG@Ben Wooding, Hongchao Zhang, Taylor T. Johnson, Abolfazl Lavaei
精选
传统离散时间屏障证书要求安全函数每一步都非增，约束严格。本文提出 k-inductive 屏障证书，允许函数在 k-1 步内暂时增加（每步不超过阈值 ε），同时保证整体安全，提升了灵活性。研究利用神经网络构建 k-inductive 神经屏障证书（k-NBCs），适用于部分未知的非线性系统。为解决神经网络缺乏形式化保证的问题，采用反例引导归纳合成（CEGIS）与可满足性模理论（SMT）验证，但传统方法需已知系统动力学。本文借助 Willems 基本引理的推广，仅用单条状态轨迹构建数据驱动表示，实现未知模型的 SMT 验证，且不牺牲精度。在三个非线性案例上验证了方法的有效性。
论文安全验证神经屏障证书未知非线性系统CEGIS-SMT数据驱动
推荐理由：做安全关键系统（如自动驾驶、机器人）验证的团队，终于有了处理未知动力学的方法——用一条轨迹就能生成带形式保证的屏障证书，比传统依赖精确模型的方式实用得多，值得关注。
原文