PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2609.34628v2cs.SE

CLAD: 신경망 검증을 위한 제약 추상 도메인

CLAD: Constrained Abstract Domain for Neural Network Verification

신경망 검증(NNV)은 정의된 영역 내의 모든 입력에 대해 네트워크가 지정된 속성을 만족하는지 정형 검증합니다. 최신 NNV 도구는 추상 도메인(abstract domain)을 활용하여 주어진 입력 영역으로부터 네트워크 동작의 안전한 과근사(sound over-approximation)를 계산하므로, 이러한 추상화의 정밀도(tightness)가 효율성을 근본적으로 결정합니다. 점점 더 정밀해지는 일련의 도메인들이 개발되어 왔으나, 이들은 모두 유효한 입력 영역을 Lp-노름 볼(Lp-norm ball)과 같은 동일하게 제한적인 방식으로 기술합니다. 실제 환경의 입력 영역은 단순한 Lp 볼인 경우가 드물며, 오히려 추가적인 제약 조건이 결합된 Lp 볼 형태를 띱니다. 기존 추상화를 사용해 이러한 영역에서 신경망을 검증하면 느슨한 과근사가 생성되어, 속성 검증에 실패하거나 가짜 반례(spurious counterexample)가 발생하는 결과로 이어집니다. 본 논문에서는 볼록 제약(convex constraint)의 조합으로 정의된 입력 영역에서 신경망의 안전한 과근사를 계산하는 새로운 추상 도메인인 Constrained Lagrangian Abstract Domain(CLAD)을 소개합니다. CLAD는 이러한 제약 조건을 전파하고 실제 실현 가능한 영역에 대해 경계를 강화합니다. 그러나 이러한 제약 조건들의 교집합에서 뉴런의 경계를 구하는 것은 닫힌 형식의 해(closed-form solution)가 없기 때문에, CLAD는 라그랑주 승수(Lagrange multiplier)를 사용해 각 제약 조건을 목적 함수로 완화(relax)하고, 입력에 대한 투영 그래디언트 단계와 승수 업데이트를 번갈아 수행하는 사영 원쌍대(projected primal-dual) 방법으로 결과적인 맥스-민(max-min) 문제를 해결합니다. CLAD는 자동 미분 등을 통해 서브그래디언트(subgradient)를 갖는 모든 볼록 제약을 지원합니다. 저자들은 반공간(halfspace) 또는 L2-볼 제약이 있는 모션 블러 구조화 섭동(motion-blur structured perturbation)을 갖는 4개의 합성곱 신경망 전반에 걸친 1,944개 인스턴스에서 CLAD를 평가합니다. 표준 비제약 Linf 속성에서 CLAD는 유사한 실행 시간으로 GCPCROWN만큼 많은 인스턴스를 검증합니다. 제약된 속성에서 CLAD는 L2-볼 속성에서 GCPCROWN보다 60% 더 많은 인스턴스를 검증하며, 전체적으로는 22% 더 많이 검증합니다.