10:23
官方账号arXiv cs.LG@Hanna Jiamei Zhang, Alan Papalia, Michael Everett, David M. Rosen
精选
推荐理由：这篇论文提出了一种新的方法，可以更精确地验证深度神经网络的安全性能，对于安全关键的自驾驶系统具有重要意义。
特征值最大化
共 1 条相关 AI 资讯
8月26日
10:23
针对ReLU神经网络的线性规划（LP）和半定规划（SDP）松弛，由于显著的松弛间隙，导致过于保守的安全保证。虽然完全正规划（CPP）公式关闭了这一差距，但其最经济的可处理松弛——双重非负规划（DNN）保留了关键的约束，但其规模超出了实际规模的内点方法的范围。我们提出了一种新的特征值最大化程序，在非唯一乘子空间中搜索有效的证书，即全局最优保证。实验表明，我们的方法$( ext{DNN})^2$产生的界限始终比标准SDP方法更紧，通常与精确解相匹配，并且当存在有效证书时，我们的认证程序确认了全局最优性。这些结果是提供紧、可验证和计算可扩展的验证保证的关键步骤，这些保证对于在安全关键的自驾驶系统中部署神经网络控制器和感知模块至关重要。