ترجمه فارسی مقاله PREMAP: یک چارچوب تقریبی پیش نمایش متحد برای شبکه های عصبی

چکیده

Most methods for neural network verification focus on bounding the image, i.e., set of outputs for a given input set. This can be used to, for example, check the robustness of neural network predictions to bounded perturbations of an input. However, verifying properties concerning the preimage, i.e., the set of inputs satisfying an output property, requires abstractions in the input space. We present a general framework for preimage abstraction that produces under- and over-approximations of any polyhedral output set. Our framework employs cheap parameterised linear relaxations of the neural network, together with an anytime refinement procedure that iteratively partitions the input region by splitting on input features and neurons. The effectiveness of our approach relies on carefully designed heuristics and optimization objectives to achieve rapid improvements in the approximation volume. We evaluate our method on a range of tasks, demonstrating significant improvement in efficiency and scalability to high-input-dimensional image classification tasks compared to state-of-the-art techniques. Further, we showcase the application to quantitative verification and robustness analysis, presenting a sound and complete algorithm for the former and providing sound quantitative results for the latter.

چکیده به فارسی (ترجمه ماشینی)

بیشتر روشها برای تأیید شبکه عصبی بر محدود کردن تصویر ، یعنی مجموعه ای از خروجی ها برای یک مجموعه ورودی معین متمرکز است.این می تواند به عنوان مثال استفاده شود ، استحکام پیش بینی های شبکه عصبی به آشفتگی های محدود از یک ورودی.با این حال ، تأیید خصوصیات مربوط به پیش نمایش ، یعنی مجموعه ورودی هایی که یک خاصیت خروجی را برآورده می کنند ، در فضای ورودی به انتزاع نیاز دارد.ما یک چارچوب کلی برای انتزاع قبل از پیش نمایش ارائه می دهیم که تولید زیر و بیش از حد از هر مجموعه خروجی چند قطبی را تولید می کند.چارچوب ما از آرامش های خطی پارامتری ارزان قیمت شبکه عصبی استفاده می کند ، همراه با یک روش پالایش در هر زمان که با تقسیم بر روی ویژگی های ورودی و نورون ها ، منطقه ورودی را به طور تکراری تقسیم می کند.اثربخشی رویکرد ما برای دستیابی به پیشرفت های سریع در حجم تقریب به اکتشافی و اهداف بهینه سازی با دقت طراحی شده است.ما روش خود را در طیف وسیعی از وظایف ارزیابی می کنیم ، که نشان دهنده پیشرفت قابل توجهی در کارآیی و مقیاس پذیری در انجام وظایف طبقه بندی تصویر با ورودی بالا در مقایسه با تکنیک های پیشرفته است.علاوه بر این ، ما برنامه را برای تأیید کمی و تجزیه و تحلیل استحکام نشان می دهیم ، یک الگوریتم صدا و کامل را برای سابق ارائه می دهیم و نتایج کمی صدا را برای دومی ارائه می دهیم.