Tools at the Frontiers of Quantitative Verification
本文通过QComp 2023调查,总结了定量验证工具对高级属性(如LTL、参数综合)和模型(如随机博弈、部分可观测MDP)的支持现状,并指出了当前活跃领域与未来挑战。
2024-05-22 cs.LO
Neural Networks in Imandra: Matrix Representation as a Verification Choice
随着神经网络在越来越多的安全关键应用中的部署,对神经网络的形式化验证工具的需求已经增加。矩阵是形式化神经网络必不可少的数据结构。函数式程序设计语言鼓励采用不同的方法来定义矩阵。此功能已在不同的应用程序中成功利用。我们要问的问题是,这些想法是否以及如何应用于神经网络验证。函数式程序设计语言Imandra结合了函数式程序设计语言的语法和自动定理证明器的功能。使用Imandra的这两个关键特性,我们探讨了矩阵的不同实现如何影响神经网络验证的自动化。
2022-07-15 cs.LO cs.PL
Quantitative Safety: Linking Proof-Based Verification with Model Checking for Probabilistic Systems
本文提出了一种新的方法,用于增强基于证明的验证与性能风格的分析,在国家的最先进的概率系统的模型检验工具。定量的安全性能通常指定为概率系统不变量,并在证明为基础的环境中建模评估使用有界模型检验技术。我们的具体贡献包括声明的一个定理,是中央的模型检验安全性能的证明为基础的系统,建立一个程序,并在原型系统(YAGA),它很容易转换的概率模型中指定的证明为基础的环境,其等效的可验证的PRISM模型配备奖励结构的充分实施。奖励结构捕获概率不变量的精确解释,并可以在实验研究中揭示有关模型的简洁信息。最后,我们展示了一个概率图书馆的案例研究的技术的新颖性。
2009-12-10 cs.LO
Quantitative Verification of Infinite-State Networks
ETH Zurich(苏黎世联邦理工学院)
本文针对结合递归与定量行为的无限状态网络,提出基于泵半环的精确定量验证框架,实现了下推系统网络的定量安全性与可达性分析。
2026-10-12 cs.FL cs.LO cs.PL
OVERT: An Algorithm for Safety Verification of Neural Network Control Policies for Nonlinear Systems
Stanford University(斯坦福大学)
深度学习方法可用于生成控制策略,但证明其安全性具有挑战性。由此产生的网络是非线性的,并且通常非常大。为了应对这一挑战,我们提出了OVERT:一个健全的算法的安全性验证的非线性离散时间闭环动态系统的神经网络控制策略。OVERT的新颖之处在于将经典形式化方法文献中的思想与较新的神经网络验证文献中的思想相结合。OVERT的核心概念是抽象非线性函数,并给出一组最优紧的分段线性边界。这种分段线性边界被设计用于无缝集成到ReLU神经网络验证工具中。OVERT可以通过计算可达集或直接求解可行性查询来证明有界时间安全性。我们展示了几个经典基准测试示例的安全验证的各种示例。OVERT在计算时间和可达集的紧密性方面都优于现有的方法。
2021-08-03 cs.LG cs.LO cs.SY
Compositional Inductive Invariant Based Verification of Neural Network Controlled Systems
Northeastern University(东北大学)
本文提出一种基于组合归纳不变式的NNCS安全验证方法,通过将归纳性证明义务分解为子问题并自动推断分解谓词,大幅缩短验证时间至数秒。
2024-03-26 cs.LG cs.LO cs.SY
Foundations for Entailment Checking in Quantitative Separation Logic (extended version)
定量分离逻辑(QSL)是分离逻辑(SL)的扩展,用于概率指针程序的验证。在QSL中,公式计算为实数而不是真值,例如,在给定的符号堆中,内存安全终止的概率。与\SL一样,使用QSL进行推理时的一个关键问题是\emph{entailment}:公式f是否包含另一个公式g?我们给出了从QSL中的蕴涵检查到SL中的蕴涵检查的一般性约简。这允许利用大量的SL研究来自动验证概率指针程序。我们分析了我们的方法的复杂性,并证明其适用性。特别是,我们得到的第一个可判定性结果,验证这些程序通过应用我们的减少到一个量化的扩展著名的符号堆片段的分离逻辑。
2022-01-27 cs.LO cs.PL
Verification and Control of Turn-Based Probabilistic Real-Time Games
定量验证技术已经被开发用于各种概率模型的形式化分析,例如马尔可夫链、马尔可夫决策过程及其变体。它们可用于对系统行为的定量方面产生保证,例如安全性、可靠性和性能,或帮助合成控制器以确保满足这些保证。我们提出了基于回合的概率定时多人游戏模型,它结合了概率选择,实时的【形】时钟和多个玩家之间的不确定性行为。基于概率时间自动机的简单模型的数字时钟方法,我们展示了如何计算定量验证的关键指标,即达到目标的概率和预期累积价格。我们说明了这一点,从计算机安全和任务调度的案例研究。
2019-07-17 cs.LO
Comparator automata in quantitative verification
本文提出比较器自动机用于定量验证中两序列聚合值的在线比较,证明折扣和比较器ω-正则当且仅当折扣因子为整数,并引入前缀平均以处理极限平均的不可正则性。
2022-07-28 cs.FL cs.LO
Verification of Neural Networks (Lecture Notes)
CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学院)
本文从理论角度介绍神经网络验证,涵盖前馈网络、循环网络、注意力机制和Transformer,以及规范语言和算法验证技术。
2026-04-28 cs.AI cs.FL cs.LO
Quantitative Verification of Neural Networks And its Security Applications
National University of Singapore(新加坡国立大学);University of California, Berkeley(加州大学伯克利分校)
神经网络越来越多地用于安全关键领域。这促使人们对验证或证明神经网络的逻辑编码属性感兴趣。先前的工作主要集中在检查存在属性,其中目标是检查是否存在违反给定属性的任何输入。然而,神经网络训练是一个随机过程,在它们的分析中出现的许多问题需要概率和定量推理,即,估计有多少输入满足给定的属性。为此,我们提出了一个新的和原则性的框架,定量验证的逻辑属性指定的神经网络。我们的框架是第一个提供PAC风格的稳健性保证,因为它的定量估计是在一个可控的和有界的误差从真正的计数。我们通过构建一个名为NPAQ的原型工具来实例化我们的算法框架,该原型工具可以检查二进制神经网络的丰富属性。我们展示了新兴的安全分析如何在3个具体的应用程序中利用我们的框架:量化对抗性输入的鲁棒性,特洛伊攻击的有效性,以及给定神经网络的公平性/偏见。
2019-06-25 cs.AI cs.CR cs.LG
Neural Network Verification is a Programming Language Challenge
University of Manchester(曼彻斯特大学);University of Western Australia(西澳大利亚大学);Atomic Energy and Alternative Energies Commission(原子能与替代能源委员会);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Vanderbilt University(范德堡大学);Southampton University(南安普顿大学);Amherst College(阿默斯特学院)
本文指出神经网络验证不仅是算法问题,更是编程语言挑战,提出将其挑战表述为编程语言挑战并给出未来解决方案。
2025-01-30 cs.LG cs.LO cs.PL
Neuro-Symbolic Verification of Deep Neural Networks
Max Planck Institute for Software Systems(马克斯·普朗克软件系统研究所);TU Darmstadt(达姆施塔特工业大学)
形式化验证已成为确保深度神经网络安全性和可靠性的有力手段。然而,目前的验证工具仅限于少数属性,这些属性可以表示为网络输入和输出的一阶约束。虽然对抗鲁棒性和公平性属于这一类,但许多现实世界的属性(例如,“自动驾驶车辆必须在停车标志前停车”)仍然在现有验证技术的范围之外。为了减轻这种严重的实际限制,我们引入了一种新的框架来验证神经网络,命名为神经符号验证。其关键思想是使用神经网络作为逻辑规范的一部分,从而能够验证各种复杂的真实世界属性,包括上面的属性。此外,我们演示了如何神经符号验证可以实现现有的验证基础设施之上的神经网络,使我们的框架很容易访问的研究人员和从业者一样。
2022-03-02 cs.AI cs.LG cs.LO
Open- and Closed-Loop Neural Network Verification using Polynomial Zonotopes
Stony Brook University(石溪大学);Aalborg University(奥尔堡大学);Technichal University of Munich(慕尼黑工业大学)
本文提出用多项式逼近神经元关系并结合 polynomial zonotopes 计算紧致非凸包围集,用于开环验证及神经网络控制系统闭环可达性分析,在多个基准上性能优于现有方法。
2023-04-18 cs.AI cs.CV cs.LO
Asymptotic Bounds for Quantitative Verification of Perturbed Probabilistic Systems
大多数现有的概率模型检验案例研究是基于很好理解的理论模型和分布。然而,现实生活中的概率系统通常涉及分布参数,其值是通过经验测量获得的,因此受到小扰动。在本文中,我们考虑这些系统的参数模型(即,参数马尔可夫链)配备了绝对距离的范数。我们的主要贡献是一种方法来计算渐近界的形式的条件数的约束可达概率对扰动的分布参数的系统。通过Zeroconf协议和跳蛙问题的实验证明了该方法的有效性。
2013-08-28 cs.LO cs.SE
Learning to Split: A Reinforcement-Learning-Guided Splitting Heuristic for Neural Network Verification
The Hebrew University of Jerusalem(耶路撒冷希伯来大学)
本文提出一种基于强化学习的神经网络验证分割启发式方法,通过学习演示技术提升验证效率,显著减少验证时间和迭代次数。
2026-07-28 cs.LO
The Second International Verification of Neural Networks Competition (VNN-COMP 2021): Summary and Results
Carnegie Mellon University(卡内基梅隆大学);Vanderbilt University(范德堡大学)
本报告总结了第二届神经网络国际验证竞赛(VNN-COMP 2021),该竞赛是第四届ML支持的自治系统形式化方法研讨会的一部分,该研讨会与第33届计算机辅助验证国际会议(CAV)同期举行。有12支球队参加了这次比赛。比赛的目标是在可扩展性和速度方面对神经网络验证中的最先进方法进行客观比较。沿着这条路线,我们使用标准格式(用于神经网络的ONNX和用于规范的VNNLIB),标准硬件(所有工具都由组织者在AWS上运行)和工具作者提供的工具参数。本报告总结了规则,基准,参与工具,结果和从这次比赛中吸取的教训。
2021-08-31 cs.LG cs.LO
Quantitative Verification of Omega-regular Properties in Probabilistic Programming
East China Normal University, China(华东师范大学);Nanyang Technological University, Singapore(南洋理工大学)
本文提出时间后验推断框架,用于在概率编程中定量验证omega-正则性质,通过分解Rabin条件并构建随机屏障证书,实现对概率行为的高效推断。
2025-12-25 cs.FL cs.LG cs.LO
Simplifying Neural Networks using Formal Verification
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Stanford University(斯坦福大学)
深度神经网络(DNN)验证是一个新兴的领域,各种验证引擎迅速变得可用。在真实世界的DNN上展示这些引擎的有效性是迈向更广泛采用的重要一步。我们提出了一种工具,可以利用现有的验证引擎执行一个新的应用程序:神经网络简化,通过减少DNN的大小,而不损害其准确性。我们报告了简化过程的工作流程,并展示了其在一系列真实世界的DNN上的潜在意义和适用性,这些DNN用于飞机防撞,我们能够将其大小减少多达10%。
2020-08-10 cs.LG cs.LO cs.NE
Verification of Binarized Neural Networks via Inter-Neuron Factoring
fortiss - Landesforschungsinstitut des Freistaats Bayern(巴伐利亚州fortiss研究机构)
我们研究了二值化神经网络(BNN)的形式化验证问题,BNN最近被提出作为传统学习网络的节能替代方案。BNN的验证,使用硬件验证的简化,可以通过在同一层内的神经元之间分解计算来实现更大的可扩展性。通过证明寻找最优因子分解的NP-困难性和PTAS逼近的困难性,我们设计了多项式时间搜索算法来生成因子分解解。整个框架允许将验证技术应用于具有数千个神经元和输入的嵌入式设备的中等大小的BNN。
2018-01-19 cs.LG cs.LO cs.SE
Incremental Neural Network Verification via Learned Conflicts
Hebrew University of Jerusalem(耶路撒冷希伯来大学);Amherst College(阿默斯特学院)
本文提出了一种基于冲突继承的增量神经网络验证方法,通过重用学习的冲突信息提升验证效率,实验显示在三个任务中实现了高达1.9倍的加速。
2026-03-12 cs.AI cs.LO
Supermartingales for Unique Fixed Points: A Unified Approach to Lower Bound Verification
Waseda University(早稻田大学);Tohoku University(东北大学);Chiba University(千叶大学)
本文提出一种基于超级martingales的统一方法,用于验证概率程序下界,适用于终止概率、最弱前期望等定量属性。
2026-04-19 cs.LO
DeepAbstract: Neural Network Abstraction for Accelerating Verification
Technical University of Munich(慕尼黑工业大学);Audi AG(奥迪股份公司)
虽然抽象是一个经典的验证工具,可以扩展它,但它并不经常用于验证神经网络。然而,它可以帮助完成将现有算法扩展到最先进的网络架构的仍然开放的任务。我们介绍了一个抽象的框架,适用于全连接前馈神经网络的基础上聚类的神经元,在一些输入的行为相似。对于ReLU的特定情况,我们还提供了抽象所引起的错误范围。我们展示了抽象如何减少网络的大小,同时保持其准确性,以及如何将抽象网络上的验证结果传输回原始网络。
2020-06-24 cs.AI cs.LG cs.LO
Set-Based Training for Neural Network Verification
Technical University of Munich(慕尼黑工业大学)
本文提出一种基于集合的训练方法,通过计算输出集合和梯度集合来减小输出包络,提升神经网络鲁棒性并简化形式化验证,实验证明其性能具有竞争力且可用多项式时间算法验证。
2025-08-05 cs.CR cs.LG cs.LO
Extending Neural Network Verification to a Larger Family of Piece-wise Linear Activation Functions
RWTH Aachen University(亚琛工业大学)
本文扩展现有神经网络验证技术以支持更广泛的分段线性激活函数,并将原本仅适用于有界输入集的精确与过近似算法扩展至无界输入集,通过案例研究验证了其有效性。
2023-11-16 cs.AI cs.LG cs.LO
Efficient Exact Verification of Binarized Neural Networks
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室)
关注神经网络的可靠性,研究人员开发了验证技术来证明其鲁棒性。大多数验证器使用实值网络。不幸的是,确切的(完整的和健全的)验证器面临着可扩展性的挑战,并提供没有正确性保证,由于浮点错误。我们认为,二进制神经网络(BNN)提供了相当的鲁棒性,并允许准确和更有效的验证。我们提出了一个新的系统,EEV,有效和准确的验证BNN。EEV由两部分组成:(i)一种新的SAT求解器,通过本机处理BNN编码中产生的具体基数约束来加速BNN验证;以及(ii)通过诱导平衡的逐层稀疏性和低基数边界以及自适应地取消梯度来训练求解器友好的鲁棒BNN的策略。我们通过在MNIST和CIFAR 10数据集上对非平凡卷积BNN的L-inf有界对抗鲁棒性进行首次精确验证,证明了EEV的有效性。与在相同任务上对相同架构的实值网络进行精确验证相比,EEV验证BNN的速度要快数百到数千倍,同时在大多数情况下提供相当的可验证精度。
2020-10-27 cs.AI cs.CV cs.LG
Learning Lookahead Lemmas for Neural Network Verification
本文提出一种前瞻驱动的神经网络验证内处理框架,将其应用于Marabou和α-β-CROWN两款验证器,可提升性能,最多多证明34%的不可满足实例。
2026-08-03 cs.AI cs.LG cs.LO
Quantitative Aspects of Programming Languages and Systems over the past $2^4$ years and beyond
计算的定量方面与物理量和数学量的使用有关,包括时间,性能指标,概率以及可靠性和安全性的度量。它们在描述许多临界系统的行为和估计其性质方面是必不可少的。因此,它们需要在系统建模级别和验证方法和工具中进行集成。在过去的二十年里,各种理论成果和自动化技术的发展使定量建模和验证成为研究界的主流。在同一时期,它们代表了题为程序设计语言和系统(QAPL)的定量方面的系列讲习班的中心主题,并于2001年诞生。本次调查的目的是从QAPL及其社区的角度重新审视这些成就和结果。
2020-01-20 cs.IT cs.LO cs.PL
Logic Gate Neural Networks are Good for Verification
Institute of Science and Technology Austria (ISTA)(奥地利科学技术研究所)
针对传统神经网络难以形式化验证的问题,本文提出用于验证 Logic Gate Networks 全局鲁棒性与公平性的 SAT 编码,并在五个数据集上证明其兼具验证友好性和较强预测性能。
2025-09-28 cs.LG cs.LO
Differentiable Logics for Neural Network Training and Verification
Heriot-Watt University(赫瑞-瓦特大学)
近年来,神经网络(NN)的日益普及及其在现实世界应用中的日益普及引起了人们对其验证的重要性的关注。虽然验证是已知的计算困难的理论,许多技术已经提出了解决它在实践中。在文献中已经观察到,默认情况下,神经网络很少满足我们想要验证的逻辑约束。一个很好的行动过程是在验证它们之前训练给定的NN以满足所述约束。这个想法有时被称为持续验证,指的是训练和验证之间的循环。通常,通过指定将给定形式逻辑语言翻译成损失函数来实现具有约束的训练。这些损失函数然后被用于训练神经网络。因为出于训练目的,这些函数需要是可微的,所以这些转换被称为可微逻辑(DL)。这就提出了几个研究问题。什么样的可微逻辑是可能的?在持续验证的背景下,DL的特定选择有什么不同?从所得到的损失函数的角度来看,DL的理想标准是什么?在这篇扩展摘要中,我们将讨论并回答这些问题。
2022-07-14 cs.AI cs.LG cs.LO
Quantitative Corner Case Feature Analysis of Hybrid Automata with ForFET$^{SMT}$
混合自动机(HA)模型的分析和验证是一项具有挑战性的任务。现有的方法和工具主要可以推理给定的属性是否被满足或违反。然而,这样的定性答案可能无法提供关于模型行为的足够信息。本文介绍了ForFET的$^{SMT}$工具,它可以用来定量地推理这些属性。它采用特征自动机,可以评估定量属性角的HA。ForFET $^{SMT}$使用两个第三方形式化验证工具作为其主干:SpaceEx可达性工具和SMT求解器dReach/dReal。在这里,我们描述了ForFET $^{SMT}$的设计和实现,并介绍了其功能和模块。为了提高非专业用户的工具的可用性,我们还提供了一个定量属性模板列表。
2020-12-30 cs.FL cs.LO
Abstraction-Based Proof Production in Formal Verification of Neural Networks
The Hebrew University of Jerusalem, Israel(耶路撒冷希伯来大学);Technical University of Munich, Germany(慕尼黑技术大学);Amherst College, USA(阿默斯特学院)
本文提出支持证明生成的基于抽象的 DNN 验证框架,将任务拆分为抽象网络正确性与抽象可靠性证明,填补可扩展性和形式化保证之间的缺口。
2025-06-11 cs.AI cs.LO
Continuous Safety Verification of Neural Networks
DENSO AUTOMOTIVE Deutschland GmbH(电装汽车德国有限公司);ISCAS(中国科学院软件研究所);University of Chinese Academy of Sciences(中国科学院大学)
将深度神经网络(DNN)部署为自动驾驶的核心功能会带来独特的验证和确认挑战。特别是,逐步完善基于DNN的感知的持续工程范式可以使先前建立的安全验证结果不再有效。这可能是由于新遇到的示例(即,输入域放大),或者由于DNN的后续参数微调活动。本文考虑将先前DNN安全验证问题中建立的结果转移到修改后的问题设置的方法。通过考虑状态抽象,网络抽象和Lipschitz常数的重用,我们开发了几个充分条件,只需在新问题中正式分析DNN的一小部分。在一个$1/10$ -缩放的车辆,装备DNN控制器,以确定从感知图像的视觉航路点的整体概念进行评估。
2021-09-25 cs.LG cs.LO
Formal Verification of Piece-Wise Linear Feed-Forward Neural Networks
University of Bremen(不来梅大学);DFKI GmbH(德国人工智能研究中心)
提出了一种验证前馈神经网络的方法,其中所有节点具有分段线性激活函数。这种网络通常用于深度学习,并且已被证明很难验证现代可满足性模理论(SMT)和整数线性规划(ILP)求解器。我们的方法的出发点是将整体网络行为的全局线性近似添加到验证问题中,这有助于对网络行为进行类似SMT的推理。我们提出了一个专门的验证算法,采用这种近似在搜索过程中,它推断出额外的节点相位的非线性节点在网络中的部分节点相位分配,类似于经典的SAT求解中的单位传播。我们还展示了如何从搜索过程中执行的分析步骤的结果中推断出额外的冲突条款和安全节点夹具。碰撞避免和手写数字识别的案例研究所产生的方法进行评估。
2017-08-02 cs.AI cs.LG cs.LO
Privacy-Preserving Robustness Verification for Neural Networks
School of Artificial Intelligence, Beijing Key Laboratory of Artificial Intelligence for Education, Engineering Research Center of Intelligent Technology and Educational Application (Ministry of Education), Beijing Normal University, Beijing, China(人工智能学院,北京人工智能教育重点实验室,智能技术与教育应用工程研究中心(教育部),北京师范大学,北京,中国);School of Computer Science University of Bristol(计算机科学学院,布里斯托大学);School of Mathematical Sciences Peking University(数学科学学院,北京大学)
针对神经网络验证与数据隐私的固有矛盾,提出基于安全两方计算的SecureCROWN框架,将条件逻辑转化为连续运算消除分支,实现隐私保护下的鲁棒性验证,效率与精度表现优异。
2026-07-07 cs.AI cs.CR cs.LG
Propagation of~Interval Belief Structures and~Imprecise Copulas for~Neural Network Verification
LIX, CNRS, École polytechnique, Institut Polytechnique de Paris(LIX、CNRS、巴黎高等学院、巴黎理工研究院)
提出结合区间信念结构与不精确Copula的框架,用于神经网络在输入分布和依赖结构不确定下的定量验证,通过混合不精确Copula体积推导前向传播方法,提供概率安全属性的可靠上下界。
2026-06-29 cs.AI cs.LO math.PR
Fundamental Limits in Formal Verification of Message-Passing Neural Networks
University of Kassel(卡塞尔大学)
输出可达性和对抗鲁棒性是神经网络最相关的安全属性之一。我们表明,在消息传递神经网络(MPNN)的背景下,一个常见的图神经网络(GNN)模型,形式化验证是不可能的。特别是,我们表明,输出可达的图分类MPNN,工作在图的无界大小,非平凡程度和充分表达节点标签,不能正式验证:有没有算法,正确回答(是或否),给定一个MPNN,是否存在一些有效的输入MPNN,使相应的输出满足给定的规格。然而,我们也表明,输出的可达性和对抗性的鲁棒性节点分类MPNN可以正式验证时,输入图的程度的限制是先验的。我们讨论了这些结果的影响,为了获得一个完整的图片的原则可能性,正式验证GNN,根据所涉及的GNN模型和输入输出规格的表现力。
2022-10-04 cs.LG cs.LO
Lookahead Branching for Neural Network Verification
Amherst College(阿默斯特学院);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Hebrew University of Jerusalem(耶路撒冷希伯来大学);Stanford University(斯坦福大学)
研究神经网络验证中前瞻分支策略,提出通用集成方法,以FSB为例说明,还阐述其能生成加速验证的引理,通过在两个验证器中实例化,实现验证时间加速及解决实例数增加。
2026-07-21 cs.AI cs.LG cs.LO
LTL Verification of Memoryful Neural Agents
Imperial College London(帝国理工学院)
提出针对有记忆神经多智能体系统的LTL验证框架,支持有界与无界规范,通过边界模型检测与约束求解技术,首次实现无界规范验证并大幅提升有界验证效率。
2025-03-04 cs.AI cs.LG cs.LO
Tighter Abstract Queries in Neural Network Verification
The Hebrew University of Jerusalem(耶路撒冷希伯来大学);Stanford University(斯坦福大学)
针对神经网络验证中的可扩展性难题,提出CEGARETTE机制,同时抽象和精化系统与属性,生成小而准确的抽象网络,在多个基准上显著提升验证性能。
2023-05-14 cs.LG cs.LO cs.NE
VeriFlow: Modeling Distributions for Neural Network Verification
Independent Researcher(独立研究者);TU Dortmund University(图卢兹-多特蒙德大学);Center for Trustworthy Data Science and Security(可信数据科学与安全中心);University Alliance Ruhr(鲁尔大学联盟)
针对神经网络形式化验证易校验无意义非现实输入的问题,本文提出基于流的密度模型VeriFlow,可将验证范围限定在目标数据分布,支持线性约束求解验证器,实现对验证输入非典型程度的细粒度概率可控验证。
2025-11-19 cs.AI cs.LG cs.LO