Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
On Convex and Non-Convex Abstraction-Refinement Techniques Guaranteeing Safety of Artificial Intelligence
Übersetzter Titel:
Über konvexe und nicht-konvexe Abstraktionsverfeinerungstechniken zur Gewährleistung der Sicherheit künstlicher Intelligenz
Autor:
Ladner, Tobias Hubert
Jahr:
2026
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Institution:
Informatik 6 - Professur für Cyber Physical Systems (Prof. Althoff)
Betreuer:
Althoff, Matthias (Prof. Dr.)
Gutachter:
Althoff, Matthias (Prof. Dr.); Günnemann, Stephan (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 260; DAT 815
Kurzfassung:
Artificial intelligence is increasingly used in safety-critical systems, requiring formal guarantees to prevent harm. This thesis addresses the hard problem of formally verifying neural networks under uncertain inputs via reachability-based abstractions and refinement. Four techniques improve precision, scalability, and usability, enabling verification by non-experts. Experiments confirm effectiveness, including during training and for interpretability.
Übersetzte Kurzfassung:
Künstliche Intelligenz wird zunehmend in sicherheitskritischen Systemen eingesetzt, was formale Garantien erfordert, um Schäden zu vermeiden. Diese Arbeit behandelt die schwierige formale Verifikation neuronaler Netze mit unsicheren Eingaben durch Erreichbarkeits-basierte Abstraktionen und Verfeinerung. Vier Techniken verbessern Präzision, Skalierbarkeit und Nutzbarkeit. Experimente zeigen Wirksamkeit, auch im Training und für Interpretierbarkeit.
WWW:
https://mediatum.ub.tum.de/?id=1793399
Eingereicht am:
25.08.2025
Mündliche Prüfung:
25.03.2026
Dateigröße:
10581334 bytes
Seiten:
215
Urn (Zitierfähige URL):
https://nbn-resolving.org/urn:nbn:de:bvb:91-diss-20260325-1793399-0-4
Veröffentlicht am:
16.04.2026
 BibTeX