揭示神经网络证明共享的局限性

arXiv:2608.19351v1 公告类型：新 摘要：由于神经网络在许多关键领域的使用，其鲁棒性验证变得越来越重要。在某些情况下，证明共享已被证明可以通过跨查询重用中间层抽象状态或模板来加速不完整的验证技术。然而，基于模板的加速在不同的网络架构、属性、数据集和训练方法中的鲁棒性仍然存在问题。在这项工作中，我们对基于模板的加速的有效性及其局限性进行了系统研究。我们的研究表明，模板包含率在不同场景中可能存在很大差异。我们提出了一种联合稳定神经元的新指标来解释这种变化，表明在某些情况下基于模板的技术不太可能提供任何加速。然后，我们提出了 FastCert，这是一种新技术，可以在神经网络层之间自动分配模板以提高性能影响，如果模板不太可能产生加速，则完全避开模板。在大量基于覆盖设计的 $L_0$ 验证任务中，FastCert 比现有的基于模板的重用技术平均加速了 1.13 倍。