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

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی PREMAP: A Unifying PREiMage APproximation Framework for Neural Networks
عنوان مقاله به فارسی PREMAP: یک چارچوب تقریبی پیش نمایش متحد برای شبکه های عصبی
نویسندگان Xiyue Zhang, Benjie Wang, Marta Kwiatkowska, Huan Zhang
فرمت مقاله انگلیسی PDF
تعداد صفحات 41
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Logic in Computer Science,یادگیری ماشین , هوش مصنوعی , منطق در علوم کامپیوتر ,
توضیحات Submitted 17 August, 2024; originally announced August 2024. , Comments: arXiv admin note: text overlap with arXiv:2305.03686
توضیحات به فارسی ارسال شده 17 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: Arxiv Admin توجه: همپوشانی متن با ARXIV: 2305.03686
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

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.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.