Effective inclusion methods for verification of ReLU neural networks

Szász, Attila, Bánhelyi, Balázs (2024) Effective inclusion methods for verification of ReLU neural networks Annales Mathematicae et Informaticae. ISSN 1787-6117 (Online)

pdf AMI_online_1516.pdf Download (504kB) [error in script]

Absztrakt (kivonat)

The latest machine learning models are sensitive to adversarial inputs, i.e., the neural network can give incorrect results even with small changes in the learning case. To avoid this, techniques are used during learning, or verification is also possible. In many cases, these methods use interval arithmetic, whose usefulness is severely limited by overestimation. In this paper, we present and compare such methods that can handle this problem.

Mű típusa:	Folyóiratcikk - Journal article
Szerző:	Szerző neve Email MTMT azonosító ORCID azonosító Közreműködés Szász, Attila NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző Bánhelyi, Balázs NEM RÉSZLETEZETT NEM RÉSZLETEZETT NEM RÉSZLETEZETT Szerző
Megjegyzés:	Accepted manuscript --- Published online: February 14, 2024
Kapcsolódó URL-ek:	Befoglaló kötet
Kulcsszavak:	artificial neural network, verification, interval arithmetic, symbolic calculations
Nyelv:	angol
DOI azonosító:	10.33039/ami.2024.02.007
ISSN:	1787-6117 (Online)
Felhasználó:	Tibor Gál
Dátum:	14 Feb 2024 12:12
Utolsó módosítás:	14 Feb 2024 13:50
URI:	http://publikacio.uni-eszterhazy.hu/id/eprint/7975

Műveletek (bejelentkezés szükséges)

Tétel nézet