IJCAI

Lookahead Branching for Neural Network Verification

神经网络验证中的前瞻分支

Liam Davis, Duo Zhou, Huan Zhang, Guy Katz, Clark Barrett, Haoze Wu

机构 * 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） 纠错

AI总结 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。

Comments Accepted to IJCAI 2026. Lookahead branching is part of the Marabou and $α$-$β$-CROWN verifiers

The Failures of Marginal Influence-Based Attribution Methods for Global Time Series Explanations

基于边际影响的全局时间序列解释归因方法的失效

Amadeo Tunyi

机构 * XITASO GmbH（西塔索有限公司） 纠错

AI总结 研究时间序列模型可解释性方法中基于边际影响的归因方法失效问题，指出主要因计算不匹配，定义DAG忠实性，发现标准归因方法如SHAP通常不满足DAG忠实性，其扩展也有同样计算限制。

Comments Accepted at the Workshop on Explainable Artificial Intelligence (XAI), International Joint Conference on Artificial Intelligence (IJCAI 2026)

A Survey on the Verification of Reinforcement Learning Policies

强化学习策略验证的综述

Luca Marzari, Ezio Bartocci, Enrico Marchesini

机构 * TU Wien（维也纳工业大学） ； Massachusetts Institute of Technology（麻省理工学院） 纠错

AI总结 综述强化学习策略验证，引入分类法沿验证范式、时间范围和保证强度三个轴阐明现有方法关系，统一理论基础，明确假设局限，确定新兴方向，为RL验证提供统一视角。

Comments Accepted at the 35th International Joint Conference on Artificial Intelligence (IJCAI) 2026