Szász, Attila, Bánhelyi, Balázs (2024) Effective inclusion methods for verification of ReLU neural networks Annales Mathematicae et Informaticae. 60. pp. 141-150. ISSN 1787-6117 (Online)
![[thumbnail of AMI_60_from141to150.pdf]](http://publikacio.uni-eszterhazy.hu/style/images/fileicons/text.png) |
pdf
AMI_60_from141to150.pdf Download (505kB) [error in script] |
Hivatalos webcím (URL): https://doi.org/10.33039/ami.2024.02.007
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 |
| Kapcsolódó URL-ek: | |
| Kulcsszavak: | artificial neural network, verification, interval arithmetic, symbolic calculations |
| Nyelv: | angol |
| Kötetszám: | 60. |
| DOI azonosító: | 10.33039/ami.2024.02.007 |
| ISSN: | 1787-6117 (Online) |
| Felhasználó: | Tibor Gál |
| Dátum: | 14 Feb 2024 12:12 |
| Utolsó módosítás: | 25 Dec 2024 15:59 |
| URI: | http://publikacio.uni-eszterhazy.hu/id/eprint/7975 |
 |
Tétel nézet |
