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。
速報
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
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。