基于决策边界分析的深度神经网络鲁棒性评估与优先次序验证

随着深度学习技术在现实世界的广泛应用,人们对基于深度神经网络的系统安全性提出了更高要求.鲁棒性是神经网络的重要安全性质,对网络鲁棒性的量化分析和验证是深度学习模型安全性研究的关键问题.针对神经网络验证技术中难以解决的效率问题,提出了一种新颖的优先次序优化方法.结合局部鲁棒性的规约方式,在一组待验证输入内选择具有更高验证需求的不稳定点代替常规的逐点验证模式.根据对鲁棒性问题与决策边界距离的关联性分析,提出了一种基于网络输出单元值大小的鲁棒性评估方法作为优先验证的输入点选择依据.在此基础上将其扩展为输入的预分析模块与验证工具集成,进而设计了基于优先次序的验证框架.在常用的验证基准上进行了实验,结果表明,该方法的决策边界分析理论与突变测试结果一致,鲁棒性评估中选择不安全样本的平均准确率高于90%,通过减少安全样本的验证开销使验证效率提高了148.6%~432.6%.

多图通信拓扑下一致性系统的鲁棒性度量

研究在外界扰动影响下的通信拓扑为多图的一阶多智能体系统的协同一致性控制鲁棒性问题.采用闭环系统的2范数来度量系统的鲁棒性;借助代数图论、控制论和矩阵论,建立通信拓扑在有无自环时多智能体系统鲁棒性、系统2范数、系统通信拓扑之间的直接联系,并进行严格的证明;给出通信拓扑为完备图、星图、路图、环图时多智能体系统之间的收敛速度、鲁棒性分析与比较.仿真实例表明了所提出方法的有效性.

基于关键链技术的项目鲁棒性优化调度方法研究

通过分析不同的缓冲计算方法的优劣,并以鲁棒性最大作为选择最佳缓冲的依据。希望为项目调度管理提供一个研究方向,对关键链和鲁棒性度量在项目管理上的应用起到积极的推动作用。

物流配送车辆路径问题的鲁棒优化方法

针对物流配送中的不确定性因素,构建车辆路径间题的鲁棒性度量与优化方法,目的是降低不确定性因素对物流配送系统的影响.首先,提出车辆路径问题的鲁棒性度量指标,利用算例对各指标的效果进行分析,选择适用于度量车辆路径方案鲁棒性的指标.在此基础上,设计物流配送车辆路径规划的两阶段优化算法.算法的第一阶段不考虑车辆路径的鲁棒性,以总配送成本最小为目标函数优化配送方案;算法的第二阶段以鲁棒性度量指标最大为目标函数,以第一阶段获得的总成本与车辆数为约束条件,优化鲁棒调度方案.文章为车辆路径问题的鲁棒性度量提供了一种有效方法,同时为如何平衡供应链中的物流配送环节的服务作业成本与调度方案鲁棒性提供了思路.