본 연구는 경계가 있는 놈(norm)의 적대적 변형 하에서 일반적인 maxpool 기반 합성곱 신경망(CNN)에 대한 검증된 경계를 개선하기 위해 CAPM(Convex Adversarial Polytope for Maxpool-based CNN)을 사용합니다. maxpool 함수를 일련의 ReLU 함수로 분해하여 볼록 이완 기법을 maxpool 함수로 확장함으로써, 이중 네트워크를 통해 검증된 경계를 효율적으로 계산할 수 있습니다. 실험 결과에 따르면, 이 기법은 maxpool 기반 CNN에 대해 최첨단 검증 정밀도를 제공하며, DeepZ, DeepPoly, PRIMA와 같은 기존 검증 방법보다 훨씬 낮은 계산 비용을 필요로 합니다. 이 방법은 이전 연구에서 계산적으로 매우 비용이 많이 드는 것으로 나타난 대규모 CNN에도 적용 가능합니다. 특정 상황에서는 CAPM이 PRIMA/DeepPoly/DeepZ에 비해 40배, 20배 또는 2배 빠르며, 검증 경계가 훨씬 높습니다 (CAPM 98% vs. PRIMA 76%/DeepPoly 73%/DeepZ 8%). 또한 알고리즘의 시간 복잡도를 $O(W^2NK)$로 제시하는데, 여기서 W는 신경망의 최대 너비, N은 뉴런의 수, K는 maxpool 계층의 커널 크기입니다.
