Main Content

Überprüfung

Trainieren von fehlerresistenten Netze und Überprüfen der Fehlerresistenz der Netze

Die Deep-Learning-Überprüfung ist eine Reihe von Techniken zur Bewertung der Eigenschaften von tiefen neuronalen Netzen. So können Sie beispielsweise die Fehlerresistenzeigenschaften eines Netzes überprüfen, Grenzen für die Netzausgabe berechnen, gegnerische Beispiele finden, Daten außerhalb der Verteilung erkennen und die Einhaltung von Industriestandards überprüfen.

Die Deep Learning Toolbox-Verifikationsbibliothek ermöglicht das Testen der Fehlerresistenzeigenschaften von Deep-Learning-Netzen.

  • Verwenden Sie die verifyNetworkRobustness-Funktion, um die Fehlerresistenz des Netzes gegenüber Adversarial-Beispielen zu überprüfen. Ein Netz ist fehlerresistent gegenüber gegnerischen Eingaben, sofern sich die vorhergesagte Klasse des Netzes nicht ändert, wenn die Eingabe zwischen den festgelegten unteren und oberen Grenzen der Eingabe gestört wird. Für einen Satz von Eingabegrenzen prüft die Funktion, ob das Netz fehlerresistent gegenüber Adversarial-Beispielen zwischen diesen Eingabegrenzen ist, und gibt entweder verified, violated oder unproven aus.

  • Verwenden Sie die Funktion estimateNetworkOutputBounds, um den Bereich der Ausgabewerte abzuschätzen, den das Netz ausgibt, wenn die Eingabe zwischen den festgelegten unteren und oberen Grenzen liegt. Verwenden Sie diese Funktion, um abzuschätzen, wie empfindlich die Netzvorhersagen auf Eingabestörungen reagieren.

  • Verwenden Sie die Funktion networkDistributionDiscriminator, um einen Verteilungsdiskriminator zu erstellen, der die Daten in innerhalb und außerhalb der Verteilung (In- und Out-of-Distribution) trennt.

Funktionen

estimateNetworkOutputBounds Estimate output bounds of deep learning network (Seit R2022b)
verifyNetworkRobustnessVerify adversarial robustness of deep learning network (Seit R2022b)
networkDistributionDiscriminator Deep learning distribution discriminator (Seit R2023a)
isInNetworkDistributionDetermine whether data is within the distribution of the network (Seit R2023a)
distributionScoresDistribution confidence scores (Seit R2023a)
driseExplain object detection network predictions using D-RISE (Seit R2024a)

Objekte

BaselineDistributionDiscriminatorBaseline distribution discriminator (Seit R2023a)
EnergyDistributionDiscriminatorEnergy distribution discriminator (Seit R2023a)
ODINDistributionDiscriminatorODIN distribution discriminator (Seit R2023a)
HBOSDistributionDiscriminatorHBOS distribution discriminator (Seit R2023a)

Themen