ハイブリッドニューラルネットワーク検証のためのインクリメンタル証明書学習

この論文は、ReLU活性化関数を持つニューラルネットワークの形式的検証における課題に取り組んでいます。ReLUは組み合わせ爆発を引き起こすため、効率的な検証が困難です。この論文の主要な貢献は、「インクリメンタル証明書学習」と呼ばれるソルバーグレードの手法です。これは、線形緩和、正確な区分線形推論、および学習技術（線形補題とブール衝突節）を戦略的に組み合わせ、効率性とスケーラビリティを向上させます。アーキテクチャには、ノードベースの検索状態、再利用可能なグローバル補題ストア、および証明ログが含まれており、DPLL(T)スタイルのプルーニングを可能にします。この論文の重要性は、安全性が重要なDNNの検証を改善し、正確な推論に関連する計算負荷を軽減する可能性にあります。

• •区分線形活性化を持つニューラルネットワークを検証するための新しいソルバーアーキテクチャを提案。
• •線形緩和と正確な推論のバランスを取るために「インクリメンタル証明書学習」を採用。
• •効率的なプルーニングのために学習された補題と衝突節を利用。
• •エンドツーエンドアルゴリズム（ICL-Verifier）とハイブリッドパイプライン（HSRV）を提示。
• •安全性が重要なDNNの検証を改善することを目指しています。