본 논문은 안전 중요 분야에서 신경망 분류기의 견고성 검증을 위한 효율적이고 확장 가능한 기법을 제시합니다. 기존의 검증 기법들은 완전하지 않아 검증된 견고성 결과의 개선이 중요한 평가 기준이 됩니다. 본 논문에서는 MaxPool 함수에 대한 증명 가능한 뉴런 단위 최적 선형 경계를 제시하는 Ti-Lin을 제안합니다. Ti-Lin은 MaxPool 기반 CNN에 대한 견고성 검증기로, CNN의 비선형 함수의 과대 근사 영역을 최소화하는 방식을 따릅니다. LeNet, PointNet 등 다양한 네트워크와 MNIST, CIFAR-10, Tiny ImageNet, ModelNet40 데이터셋을 사용한 실험 결과, Ti-Lin은 최첨단 방법보다 최대 78.6% 향상된 검증된 정확도를 거의 동일한 시간 소모로 달성함을 보여줍니다.
시사점, 한계점
•
시사점:
◦
MaxPool 함수에 대한 증명 가능한 뉴런 단위 최적 선형 경계를 최초로 제시하여 CNN의 견고성 검증 결과를 향상시켰습니다.
◦
다양한 네트워크와 데이터셋에서 기존 최고 성능보다 최대 78.6% 향상된 검증된 정확도를 달성했습니다.
◦
기존 최고 속도의 도구와 거의 동일한 시간 소모로 높은 정확도를 달성했습니다.
◦
오픈소스 코드를 공개하여 재현성을 높였습니다.
•
한계점:
◦
제안된 방법이 모든 종류의 신경망 구조나 활성화 함수에 대해 최적의 성능을 보장하는지에 대한 추가적인 연구가 필요합니다.
◦
더욱 복잡하고 대규모의 네트워크에 대한 적용 가능성 및 확장성에 대한 추가적인 평가가 필요합니다.
◦
현재 MaxPool 함수에 국한되어 있으며, 다른 비선형 함수에 대한 확장 연구가 필요합니다.
