Accedi
approfondimento - 神經網路驗證
基於分支定界法的神經網路驗證：針對一般非線性函數的處理方法
本文提出了一種名為 GenBaB 的通用框架，利用分支定界法驗證具有一般非線性函數的神經網路，並透過預先優化分支點和新的分支啟發式演算法來提升驗證效率。
使用 PyRAT 進行神經網路驗證
PyRAT 是一款基於抽象解讀的工具，旨在驗證神經網路的安全性與穩健性，並已在多個專案中展現其效能。
重新審視差異驗證：具備信心水準的等效性驗證
本文提出了一種基於 Zonotope 的新型抽象域「差異 Zonotope」，用於高效地驗證修剪後的神經網路是否與原始網路等效，並探討了差異驗證在不同等效性屬性上的有效性。
神經網路控制系統的可達性問題
即使對於簡單的工廠模型，神經網路控制系統的可達性問題也是不可判定的，但對於可以用無限詞自動機表示的工廠模型，它變成半可判定的。
驗證導航與控制網路：將不確定性傳播至事件流形
本文提出了一種基於微分代數的驗證導航與控制網路 (G&CNETs) 的新方法，透過將不確定性傳播至事件流形，並應用於三個優化控制問題，以提高 G&CNETs 在太空任務中的可靠性。
Chi Siamo
Prodotti
© 2024 by Linnk AI