सुरक्षा-महत्वपूर्ण नियंत्रण अनुप्रयोगों में तंत्रिका नेटवर्क आउटपुट पर प्रतिबंधों को कड़ा करने की चुनौती का समाधान करने के लिए, यह पत्र एक तंत्रिका नेटवर्क प्रशिक्षण विधि प्रस्तावित करता है जो गैर-उत्तल असुरक्षित क्षेत्रों से बचने के लिए ReLU अरैखिकता वाले तंत्रिका नेटवर्क के लिए गैर-उत्तल इनपुट सेटों की सटीक छवियां प्राप्त करता है। यह एक विस्तारित हाइब्रिड ज़ोनोटोप सेट प्रतिनिधित्व का उपयोग करके पहुंच योग्यता विश्लेषण के माध्यम से प्राप्त किया जाता है जो मिश्रित-पूर्णांक रैखिक प्रोग्रामिंग (MILP) के माध्यम से विभेदक टकराव का पता लगाने में सक्षम बनाता है। यह विधि 240 न्यूरॉन्स तक के नेटवर्क के लिए कुशल और तेज़ साबित हुई है, और इसकी गणनात्मक जटिलता मैट्रिसेस पर व्युत्क्रम संचालन द्वारा हावी होती है जो न्यूरॉन्स की संख्या और इनपुट और असुरक्षित सेटों की जटिलता के साथ रैखिक रूप से स्केल होती है।
