Deep Learning Toolbox Verification Library

Sicherstellen von Robustheit und Zuverlässigkeit tiefer neuronaler Netze

Durch den zunehmenden Einsatz tiefer neuronaler Netze in technischen Systemen, insbesondere sicherheitskritischen Anwendungen, muss deren Zuverlässigkeit und Robustheit sichergestellt werden. Mit der Deep Learning Toolbox Verification Library können Sie tiefe neuronale Netze gründlich bewerten und testen.

Die Deep Learning Toolbox Verification Library ermöglicht Ihnen Folgendes:

Verifizieren von Eigenschaften Ihres tiefen neuronalen Netzes, beispielsweise der Robustheit von Gegenbeispielen
Schätzen der Sensitivität Ihrer Netzprognosen bei gestörten Eingaben
Erstellen eines Verteilungsdiskriminators, der Daten in solche inner- bzw. außerhalb der Verteilung aufteilt, um sie zur Laufzeit zu überwachen
Bereitstellen eines Systems zur Laufzeitüberwachung, das für die Leistung Ihres Netzes zuständig ist
Ansehen einer Fallstudie zur Verifikation eines luftgestützten Deep-Learning-Systems

Nachweis der Eigenschaften neuronaler Netze mit formalen Verifikationsmethoden.

Verifizieren der Robustheit tiefer neuronaler Netze zur Klassifizierung

Steigern Sie die Robustheit Ihres Netzes gegenüber Gegenbeispielen (leicht veränderte Eingaben zum Irreführen des Netzes) mithilfe formaler Methoden. Dieser Ansatz ermöglicht das Testen einer unbegrenzten Sammlung von Eingaben, den Nachweis der Prognosekonsistenz trotz Störungen und das Lenken von Trainingsverbesserungen, um Zuverlässigkeit und Genauigkeit des Netzes zu steigern.

Abschätzen der Ausgabegrenzen des neuronalen Netzes zur Regression

Schätzen Sie die unteren und oberen Grenzen der Netzausgabe bezüglich vorgegebener Eingabebereiche mithilfe formaler Methoden. Damit können Sie Einblick in die potenziellen Netzausgaben bei bestimmten Eingabestörungen erhalten, um zuverlässige Leistung in Szenarien wie Regelungssystemen, Signalverarbeitung und vielen anderen zu ermöglichen.

Abschätzen der Ausgabegrenzen eines Deep-Learning-Netzes

Überprüfen, ob die Daten durch das Umdrehen eines Bildes von links nach rechts oder oben nach unten bzw. durch das Umkehren inner- oder außerhalb der Verteilung liegen.

Erstellen sicherer Deep-Learning-Systeme mit Laufzeitüberwachung

Binden Sie Laufzeitüberwachung in die Erkennung von Daten außerhalb der Verteilung ein, um sichere Deep-Learning-Systeme zu entwickeln. Die kontinuierliche Auswertung dahingehend, ob die Eingangsdaten mit den Trainingsdaten übereinstimmen, kann bei der Entscheidung helfen, ob die Netzausgabe zuverlässig ist oder ob sie zur sicheren Bearbeitung weitergeleitet werden muss. Dies verbessert Sicherheit und Zuverlässigkeit des Systems.

Architektur eines RSC-Systems zur Klassifizierung von Start- und Landebahnschildern, das Bilder von einer nach vorne gerichteten Kamera empfängt und darin mit einem neuronalen Objekterkennungsnetz Schilder einer Start- und Landebahn erkennt.

Fallstudie: Verifizieren eines luftgestützten Deep-Learning-Systems

Erkunden Sie eine Fallstudie, um ein luftgestütztes Deep-Learning-System in Übereinstimmung mit Standards der Luft- und Raumfahrt wie DO-178C, ARP4754A sowie künftigen EASA- und FAA-Richtlinien zu verifizieren. Diese Fallstudie bietet einen umfassenden Blick auf die notwendigen Schritte zur vollständigen Einhaltung von Branchenstandards und -richtlinien für Deep-Learning-Systeme.

Support-Paket herunterladen

Jetzt herunterladen

Haben Sie noch Fragen?

Sprechen Sie mit unseren Technik-Experten.

E-Mail senden