The Cost of Relaxation: Evaluating the Error in Convex Neural Network Verification

Diese Forschung bewertet die Worst-Case-Divergenz zwischen ursprünglichen neuronalen Netzen und ihren konvexen Relaxationen, die in Verifikationssystemen zur Leistungssteigerung auf Kosten der Gültigkeit eingesetzt werden. Die Studie liefert analytische obere und untere Schranken für den Fehler, der exponentiell mit der Netzwerktiefe und linear mit dem Eingaberadius wächst.