要旨: 安全性が重大な用途（セーフティクリティカルなアプリケーション）では、通常の運用時に期待どおりの性能を発揮することが求められます。画像処理の機能は、回転、スケーリング、せん断、または並進といった小さな幾何学的な摂動に対して不変であることがしばしば要求されます。本論文では、画像データセット上の幾何学的摂動に対するニューラルネットワークの形式的検証を扱います。提案手法であるSuper-DeepGは、線形緩和技法およびリプシッツ最適化で用いられる推論を改善し、GPUハードウェアを活用する実装も提供します。これによりSuper-DeepGは、頑健性認証の精度と計算効率の両方を実現し、これまでの先行研究を上回る範囲でその性能を達成します。Super-DeepGはGitHub上でオープンソースのツールとして公開されています。
幾何的ロバスト性の認証—Super-DeepG
arXiv cs.AI / 2026/4/28
📰 ニュースDeveloper Stack & InfrastructureTools & Practical UsageModels & Research
要点
- 本論文は、Super-DeepGを用いて、回転、スケーリング、せん断、平行移動といった一般的な画像の幾何学的摂動に対するニューラルネットワークのロバスト性を形式的に検証する枠組みを提案しています。
- Super-DeepGは、線形緩和やリプシッツ最適化に基づく従来の推論手法に対して改良を加え、ロバスト性認証の精度（より厳密な保証）を高めます。
- GPUを活用した実装も含まれており、ロバスト性認証を高精度かつ計算効率よく行うことを目指しています。
- 著者らは、Super-DeepGが従来手法より認証品質と効率の両面で優れていると報告しており、GitHubでオープンソースとして公開しています。
- この研究は、安全が重大な画像処理システムで、通常データだけでなく摂動に対しても保証が必要であるという要請に応えることを目的としています。
