具有统计保证的深度神经网络前提条件综合

《Proceedings of the ACM on Software Engineering》：Precondition Synthesis for Deep Neural Networks with Statistical Guarantees

　　

摘要AI总结

要查看此由AI生成的总结，您需要拥有高级访问权限。

了解更多信息登录

摘要

摘要

深度神经网络越来越被应用于对安全性要求较高的系统中。然而，现有的形式化验证方法难以为其可靠性的规范提供充分的定量保障，而新兴的前提条件生成技术也受到深度神经网络在可扩展性和架构方面的限制。在本文中，我们提出了一种名为StatPre的筛选与求解框架，可用于自动生成具有统计保障的前提条件。该框架通过基于Box的抽象方法，在尽可能保持前提条件与真实前提条件一致的同时，尽量简化其复杂度。StatPre分为两个阶段：中心点选择阶段，利用基于聚类的启发式方法结合潜在性评估来识别可能的中心点；以及扩展求解阶段，通过统计模型近似、等价约束转换和自动迭代执行等方法来优化最优前提条件。我们在6个基准测试中的15个模型、27个属性上对StatPre进行了测试，并将其与4种现有的确定性及统计方法进行了比较。实验结果表明，StatPre能够有效生成覆盖范围更广的前提条件，同时在实际应用中也能准确反映真实前提条件的特征。此外，该框架在处理高维度、非ReLU型、结构复杂的神经网络时也表现出良好的性能。

AI总结

AI生成的总结（实验性内容）

此总结是由自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、判断文章的实用性，以及便于相关领域的读者理解文章内容。该总结是对作者提供的摘要的补充，后者仍是文章的核心总结部分。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结生成版本。

要查看此由AI生成的通俗语言总结，您需要拥有高级访问权限。