안전 및 보안에 중요한 인공지능의 증가하는 의존성으로 인해 신경망 인증의 효과성이 중요해지고 있습니다. 특히, 교통 표지판과 같이 이미지의 일부를 가리는 적대적 패치 또는 조명 조건과 같은 "패치 공격"은 어려운 실제 사용 사례입니다. PREMAP은 지정된 출력으로 이어지는 입력 집합인 preimage의 under- 및 over-approximation을 사용하여 패치 공격에 대한 인증을 위한 중요한 단계를 달성했습니다. PREMAP 접근 방식은 다재다능하지만 현재는 중간 차원의 완전 연결 신경망으로 제한됩니다. 더 넓은 실제 사용 사례를 해결하기 위해, tighter bounds, adaptive Monte Carlo sampling 및 향상된 분기 휴리스틱을 포함하는 PREMAP에 대한 새로운 알고리즘 확장을 제시합니다. 이러한 효율성 개선은 원래 PREMAP보다 훨씬 뛰어나며, 이전에 다루기 어려웠던 합성곱 신경망으로 확장을 가능하게 합니다. 또한, 컴퓨터 비전 및 제어와 같은 다양한 사용 사례에서 reliability와 robustness를 분석하고 인증하기 위한 preimage approximation 방법론의 잠재력을 보여줍니다.
