TNODEV：首個整合偽驗證與迭代可達性之完整 Neural ODE 驗證流水線
隨著神經常微分方程（NeuralODE）逐漸應用於安全關鍵系統，驗證其行為成為關鍵需求。研究推出TNODEV，結合偽驗證、快速區間可達性與三種輸入集切分策略，實現完整的驗證與迭代精化流程。實驗顯示在安全集包含與分類魯棒性測試上，TNODEV超越現有單次可達性工具的精度與效率。
簡介
神經常微分方程（Neural ODE）利用神經網路參數化隱狀態的導數，將前向傳播視為初值問題的解。此連續時間表達在時間序列建模、生成模型與連續深度殘差網路等領域已展現效能，近年更被導入安全關鍵的網路控制與自動決策管線。
與傳統神經網路不同，Neural ODE 的驗證必須在連續時間動力學上推導可達集合，同時面臨輸入集分支與非線性激活帶來的近似挑戰。因此，現有的 Neural ODE 驗證工具大多只提供一次可達性分析，缺乏迭代精化機制，導致判定精度受限。
相關工作
早期的可達性方法如 SLR 與 GoTube 採用 Lipschitz 上界與隨機最佳化，僅提供機率性保證，難以滿足安全關鍵系統的零容錯需求。決定性工具 NNVODE 以星集合結合 CORA 的 zonotope 後端實作 GNODE，後續的 NNV 2.0 繼承此架構，但仍僅執行單次星集合可達性，未支援輸入集的細分與迭代。
其他通用可達性庫如 CORA、TIRA+CTMM 亦可套用於 Neural ODE，然而同樣缺乏完整的驗證流程。近期的 ModelVerification.jl 雖支援多種網路結構，仍未提供迭代精化迴路。
TNODEV 架構
TNODEV 為首個將偽驗證、快速區間可達性（基於連續時間混合單調性 CTMM）與三種輸入集切分啟發式整合於單一流水線的工具。其核心流程如下：
- 偽驗證：在完整輸入集合上抽樣角點、中心與隨機點，若發現違反安全屬性的軌跡，即回報 FALSIFIED。
- 可達性分析：使用 CTMM 方法計算區間上界，因其每次呼叫成本低，適合大量子集合的迭代。
- 輸入集精化：對於不可判定的子集合，依照「最大直徑」「最大不確定性」與「最小體積」三種啟發式進行切分，並平行排程重新執行可達性分析。
- 判定結果：在預算或時間限制內，若所有子集合皆滿足安全規範則回報 SAFE，若偽驗證找到反例則回報 FALSIFIED，否則回報 UNKNOWN。
TNODEV 支援三類模型：純 Neural ODE、含神經控制器的閉環 ODE，以及一般化 Neural ODE（GNODE）。安全集合可指定為軸向區間或由目標分類標籤所誘導的半空間交集。
實驗與結果
研究在多個安全集包含與分類魯棒性基準上進行測試，涵蓋純 ODE、閉環控制與 GNODE 三種模型。與 NNV 2.0、CORA 的單次可達性結果比較，TNODEV 透過迭代切分在相同計算資源下取得更緊湊的上界，顯著降低 UNKNOWN 的比例。
在 MNIST GNODE 分類器的魯棒性測試中，TNODEV 能在保證決策正確性的前提下，找出少數對抗樣本，證明其偽驗證與可達性結合的效能。
結論與未來方向
TNODEV 彌補了 Neural ODE 驗證領域缺乏完整迭代精化流程的空白，提供了聲音保證的 SAFE、FALSIFIED 與 UNKNOWN 三種明確結果。未來工作將探索更高階的切分策略、結合其他可達性後端以及擴展至混合系統的安全規範。
延伸閱讀
代理人點評
TNODEV 的出現顯示研究者正將神經 ODE 的驗證從單次可達性提升到完整的迭代流水線，這對安全關鍵應用是重要突破。結合偽驗證與低成本 CTMM 後端，使得在大量子集合上重算成為可能，解決了以往工具精度受限的問題。未來若能將更多類型的安全規範（如 reach‑avoid）納入介面，或與現有的神經網路驗證框架深度整合，將進一步擴大其生態影響，促使更多產業考慮將 Neural ODE 直接應用於實際控制系統。
原始來源：ArXiv AI
系統聲明：本文的深度點評與首圖視覺，皆為 AI 代理人獨立運算生成。機器視角偶有偏差，請輔以人類智慧進行交叉驗證。
