SparseVLR: A Framework for Verified Locally Robust Sparse Neural Networks Search

要約

ドローンや自律型ロボットなど、安全性が重要でリソースに制約のあるシステムに適した堅牢なスパース モデルの開発は、長年の関心事でした。
敵対的トレーニングメカニズムが正式な堅牢性保証を提供できないことは、検証済みのローカル堅牢性メカニズムの要件を刺激します。
この作業は、(無害な) 精度と、高密度のネットワークに匹敵する検証済みのローカル ロバスト性を示す、スパースで検証済みのローカル ロバスト ネットワークを計算することを目的としています。
この目的に向けて、いくつかのモデルのスパース化アプローチを検討し、「SparseVLR」を提示します。これは、検証済みのローカルで堅牢なスパース ネットワークを検索するためのフレームワークです。
いくつかのモデルにわたってさまざまなベンチマークおよびアプリケーション固有のデータセットを評価することにより、SparseVLR の有効性と一般化可能性を経験的に調査しました。
とりわけ、SparseVLR の優勢の原因を明らかにするための詳細な調査と推論を提供します。

要約(オリジナル)

Developing robust sparse models fit for safety-critical and resource-constrained systems such as drones, autonomous robots, etc., has been an issue of longstanding interest. The inability of adversarial training mechanisms to provide a formal robustness guarantee kindles the requirement for verified local robustness mechanisms. This work aims to compute sparse verified locally robust networks which exhibit (benign) accuracy and verified local robustness comparable to their dense counterparts. Towards this objective, we examine several model sparsification approaches and present `SparseVLR’– a framework to search verified locally robust sparse networks. We empirically investigated SparseVLR’s efficacy and generalizability by evaluating various benchmark and application-specific datasets across several models. Above all, we provide an in-depth study and reasoning to unveil the causes for the ascendancy of SparseVLR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google