Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

CAPM: Fast and Robust Verification on Maxpool-based CNN via Dual Network

Created by
  • Haebom

作者

Jia-Hau Bai, Chi-Ting Liu, Yu Wang, Fu-Chieh Chang, Pei-Yuan Wu

概要

この研究では、境界を持つノルムの敵対的な妨害の下で、一般的なMaxpoolベースの合成積ニューラルネットワーク（CNN）の実証済みの境界を改善するために、コンベックスアドバサリアルポリトープ（MAXMプールベースのCNN）を使用します。 maxpool関数を一連のReLU関数に分解し、凸緩和技術をmaxpool関数に拡張することで、デュアルネットワークを介して検証された境界を効率的に計算できます。実験結果によれば、この手法はmaxpoolベースのCNNの最先端の検証精度を提供し、DeepZ、DeepPoly、PRIMAなどの従来の検証方法よりもはるかに少ない計算コストがかかります。さらに、この方法は、以前の研究で計算コストが過度に高いことが示された大規模CNNにも適用可能です。特定の条件下で、CAPMはPRIMA / DeepPoly / DeepZと比較して40倍、20倍、または2倍速く、はるかに高い検証境界（CAPM 98％対PRIMA 76％/ DeepPoly 73％/ DeepZ 8％）を提供します。さらに、アルゴリズムの時間複雑度が $O(W^2NK)$ であることを示します。ここで、Wはニューラルネットワークの最大幅、Nはニューロンの数、Kはmaxpool階層のカーネルサイズです。

Takeaways、Limitations

•
Takeaways：
◦
MaxpoolベースのCNNの最先端検証精度を達成
◦
従来の方法（DeepZ、DeepPoly、PRIMA）よりはるかに低い計算コスト。
◦
大規模CNNに適用可能。
◦
従来の方法よりはるかに高い検証境界を提供する（最大98％対76％、73％、8％）。
◦
アルゴリズムの時間複雑度分析の提示（$O（W^2NK）$）。
•
Limitations：
◦
特定条件下での性能比較結果の提示一般的な状況でのパフォーマンスは追加の研究が必要です。
◦
$O(W^2NK)$ の時間複雑度は依然として計算量が大きくなる可能性がある。 W、N、Kのサイズによっては、計算時間が大幅に増加する可能性があります。
◦
Maxpool関数をReLU関数に分解する過程で発生する可能性のある近似誤差の分析不足。
👍
Made with Slashpage