[Ingediend op 7 mei 2020]

PDF downloaden

Abstract: We presenteren een nieuw systeem, EEV, voor het verifiëren van binarized neural networks (BNNs).
We formuleren BNN-verificatie als een Booleaans tevredenheidsprobleem (SAT) met
opnieuw vastgestelde kardinaliteitsbeperkingen van de vorm $ y = (x_1 + cdots + x_n le b) $,
waar $ x_i $ en $ y $ Booleaanse variabelen zijn, mogelijk met ontkenning en $ b $ is een
integerconstante. We identificeren ook twee eigenschappen, namelijk een uitgebalanceerd gewicht
spaarzaamheid en lagere kardinaliteitsgrenzen, die de verificatiecomplexiteit verminderen
van BNN's. EEV bevat zowel een SAT-oplosser die is verbeterd om de verrijkte kardinaliteit aan te kunnen
beperkingen van nature en nieuwe trainingsstrategieën die zijn ontworpen om te verminderen
verificatiecomplexiteit door het leveren van netwerken met verbeterde spaarzaamheid
eigenschappen en kardinaliteitsgrenzen. We demonstreren de effectiviteit van EEV door
met de eerste exacte verificatieresultaten voor $ ell_ {infty} $ - bounded
tegenstrijdige robuustheid van niet-triviale convolutionele BNN's op de MNIST en
CIFAR10-datasets. Onze resultaten laten ook zien dat, afhankelijk van de dataset en
netwerkarchitectuur, onze technieken verifiëren BNN's tussen een factor tien en tien
duizend keer sneller dan de beste eerdere exacte verificatietechnieken voor
ofwel binariseerde of echt gewaardeerde netwerken.