揭示神经网络证明共享的局限性

摘要

神经网络鲁棒性验证日益重要。本研究系统考察了基于模板的证明共享加速在不同网络架构、属性、数据集和训练方法下的有效性，发现模板包含率在不同场景下差异很大。作者提出“联合稳定神经元”指标解释这种差异，表明某些情况下基于模板的技术几乎不可能带来加速。他们还提出了FastCert技术，可自动跨神经层分配模板，并在模板不太可能产生加速时完全弃用。在基于覆盖设计的大量L0验证任务中，FastCert较现有基于模板的复用技术取得了平均1.13倍的加速。