BIRDNN:为深度神经网络进行基于行为模仿的修复

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 深度学习 (Deep Learning) 是一种深度学习.

背景情况:

• 深度神经网络 (DNN) 越来越多地用于安全关键系统.
• 人们对DNN表现出不良行为和做出不正确的预测存在担忧.
• 现有的DNN修复方法在计算上是密集的,范围有限.

研究的目的:

• 介绍BIRDNN,一个基于行为模拟的DNN修复框架.
• 克服现有的基于再培训和微调的DNN修复方法的局限性.
• 为了更有效地解决域智修复问题 (DRP).

主要方法:

• BIRDNN采用采样技术来描述DNN域的行为.
• 为了重新训练,它模仿预期的积极样本行为,以纠正错误的预测.
• 为了微调,它分析神经元行为差异,并使用粒子群优化 (PSO).

主要成果:

• 在ACAS Xu和MNIST DRP基准上进行了BIRDNN的评估.
• 该框架在修复DNN方面表现出卓越的有效性,效率和兼容性.
• 与最先进的方法相比,实验结果显示了全面的修复能力.

结论:

• BIRDNN为DNN维修提供了一个强大而通用的解决方案.
• 行为模仿方法解决了当前补丁策略的局限性.
• BIRDNN提供了一个计算高效且广泛适用的DNN修复框架.