ترجمه فارسی مقاله یک رویکرد مبتنی بر SAT برای تأیید دقیق شبکه‌های بیزی

چکیده

Recent advancements in machine learning have accelerated its widespread adoption across various real-world applications. However, in safety-critical domains, the deployment of machine learning models is riddled with challenges due to their complexity, lack of interpretability, and absence of formal guarantees regarding their behavior. In this paper, we introduce a verification framework tailored for Bayesian networks, designed to address these drawbacks. Our framework comprises two key components: (1) a two-step compilation and encoding scheme that translates Bayesian networks into Boolean logic literals, and (2) formal verification queries that leverage these literals to verify various properties encoded as constraints. Specifically, we introduce two verification queries: if-then rules (ITR) and feature monotonicity (FMO). We benchmark the efficiency of our verification scheme and demonstrate its practical utility in real-world scenarios.

چکیده به فارسی (ترجمه ماشینی)

پیشرفت های اخیر در یادگیری ماشین ، اتخاذ گسترده خود را در برنامه های مختلف در دنیای واقعی تسریع کرده است.با این حال ، در حوزه های مهم ایمنی ، استقرار مدل های یادگیری ماشین به دلیل پیچیدگی ، عدم تفسیر و عدم وجود ضمانت های رسمی در مورد رفتار آنها ، با چالش هایی روبرو می شود.در این مقاله ، ما یک چارچوب تأیید متناسب با شبکه های بیزی را معرفی می کنیم که برای رسیدگی به این اشکالات طراحی شده است.چارچوب ما شامل دو مؤلفه کلیدی است: (1) یک طرح و رمزگذاری دو مرحله ای که شبکه های بیزی را به معنای واقعی کلمه های منطق بولی ترجمه می کند ، و (2) نمایش داده های تأیید رسمی که از این لفظات برای تأیید خصوصیات مختلف رمزگذاری شده به عنوان محدودیت استفاده می کنند.به طور خاص ، ما دو پرس و جو مورد تأیید را معرفی می کنیم: IF-THEN RULE (ITR) و ویژگی های یکنواختی (FMO).ما کارآیی طرح تأیید خود را معیار می کنیم و ابزار عملی آن را در سناریوهای دنیای واقعی نشان می دهیم.