深度分析
基於 GPU 的即時 LEB 生成與魯棒最佳控制：GPUSLS-LEO 實驗驗證
針對不確定非線性與神經網路系統，研究提出 GPU 並行計算的線性化誤差界限（LEB），結合路徑式 Hessian 上界與神經網路驗證的仿射鬆弛，使 LTV 近似更緊湊，並於 GPUSLS-LEO 求解器中加入右可逆擾動矩陣與非零中心擾動集的區間傳播，實測在 168 維系統上達到 67 Hz 的即時控制，顯著降低保守度同時保證形式化驗證。
神經網路驗證
速報
新框架結合區間信念與不確定 copula 量化驗證神經網路安全性
在神經網路的量化驗證中，輸入分布與相依結構常帶有高度不確定性，傳統假設精確概率模型容易導致結果不可靠。研究者提出一套以區間信念結構表示邊緣不確定性、以不確定 copula 描繪相依關係的完整框架，並開發了在前饋神經網路中傳遞此類結構的方法。
速報
以神經網路驗證計算精確 SHAP：可證明的上下界演算法
背景：SHAP被視為對神經網路計算不可行，因為特徵組合呈指數級。方法：該研究運用最新神經網路驗證技術，逐步求得任意緊的SHAP下界與上界，最終還原精確值。結果：該法能處理遠大於既有精確方法的搜尋空間，並為大型特徵空間上的近似法提供量化檢驗基準。
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。