深度分析 凸鬆弛在神經網路驗證中的誤差界:MILP、IBP 與最壞情況分析 深度神經網路驗證為降低安全風險而發展。本文檢視以凸鬆弛取代整數約束的做法,線性化神經元以換取效能。研究證明完全鬆弛與原網路輸出之ℓ∞距離會隨深度指數成長且隨輸入半徑線性成長,分類錯誤率呈階梯式變化。實驗涵蓋MNIST、FashionMNIST與隨機網路,結果支持理論。