MARC

 008260203s2023        us                              c    eng  d
■001000017365923
■00520260209102856
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798291574300
■035    ▼a(MiAaPQ)AAI32272137
■035    ▼a(MiAaPQ)httphdlhandlenet2142121953
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aLi,  Linyi.
■24510▼aCertifiably  Trustworthy  Deep  Learning  Systems  at  Scale
■260    ▼a[Sl]▼bUniversity  of  Illinois  at  Urbana-Champaign▼c2023
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2023
■300    ▼a547  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-02,  Section:  B.
■500    ▼aAdvisor:  Li,  Bo;Xie,  Tao.
■5021  ▼aThesis  (Ph.D.)--University  of  Illinois  at  Urbana-Champaign,  2023.
■520    ▼aGreat  advances  in  deep  learning  (DL)  have  led  to  state-of-the-art  performance  on  a  wide  range  of  challenging  tasks.  However,  along  with  the  rapid  deployment  of  DL  systems,  several  trustworthy  threats  arise,  such  as  weak  robustness  against  stealthy  noise  perturbations  and  natural  transformations,  bias  across  different  subgroups,  and  lack  of  numerical  reliability.  These  trustworthy  threats  have  raised  great  concerns,  especially  when  deploying  DL  systems  in  safety-critical  scenarios  such  as  autonomous  driving  and  facial  recognition  for  safeguarding.  To  defend  against  these  common  trustworthy  threats,  this  thesis  systematically  proposes  or  enhances  certification  approaches  and  certified  training  approaches  for  DL  systems,  especially  for  large-scale  DL  systems.A  certification  approach  can  guarantee  some  properties  of  the  DL  system  under  some  trustworthiness  properties.  For  instance,  the  robustness  certification  approach  can  guarantee  the  worst-case  test  accuracy  when  the  attacker  imposes  any  input  perturbations  or  transformations  within  some  bounded  range.  A  certified  training  approach  can  improve  the  DL  system's  guaranteed  trustworthiness  under  a  certain  property  by  training  the  DL  model,  e.g.,  improving  the  guaranteed  test  accuracy  above.This  thesis  begins  with  a  systematic  taxonomy  of  certification  and  certified  training  approaches.  Then  for  several  critical  trustworthiness  properties,  this  thesis  proposes  the  corresponding  certification  and  certified  training  approaches  that  lead  to  state-of-the-art  tightness  and  scalability.  These  approaches  are  motivated  by  a  few  core  principles,  including  dual  problem  analysis  for  randomized  smoothing,  general  cutting  planes  for  bound  propagation,  stratified  sampling,  subpopulation  decomposition,  and  abstract  interpretation.  The  effectiveness  of  the  proposed  approaches  is  supported  by  both  theoretical  analyses  and  empirical  evaluations.  The  thesis  is  concluded  with  a  discussion  of  limitations,  challenges,  and  future  directions  towards  achieving  fully  certifiable,  reliable,  and  scalable  machine  learning.In  summary,  this  thesis  enables  certification  of  various  trustworthy  properties  for  DL  systems  up  to  millions  of  parameters,  representing  a  major  step  in  certified  deep  learning,  an  important  research  topic  in  machine  learning,  computer  security,  and  software  engineering.
■590    ▼aSchool  code:  0090.
■650  4▼aComputer  science
■650  4▼aInformation  technology
■650  4▼aRobotics
■653    ▼aDeep  learning
■653    ▼aCertification
■653    ▼aVerification
■653    ▼aTrustworthy  machine  learning
■653    ▼aMachine  learning  security
■690    ▼a0984
■690    ▼a0800
■690    ▼a0489
■690    ▼a0771
■71020▼aUniversity  of  Illinois  at  Urbana-Champaign▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-02B.
■790    ▼a0090
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17365923▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서