Buchumschlag

Towards Optimal Branching of Linear and Semidefinite Relaxations for Neural Network Robustness Certification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Anderson, Brendon G., Ma, Ziye, Li, Jingqi, Sojoudi, Somayeh
Format:	Preprint
Veröffentlicht:	2021
Schlagworte:	Machine Learning Optimization and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Absence of spurious solutions far from ground truth: A low-rank analysis with high-order losses
von: Ma, Ziye, et al.
Veröffentlicht: (2024)

Evolutionary Games on Infinite Strategy Sets: Convergence to Nash Equilibria via Dissipativity
von: Anderson, Brendon G., et al.
Veröffentlicht: (2023)

Infinite-Horizon Reach-Avoid Zero-Sum Games via Deep Reinforcement Learning
von: Li, Jingqi, et al.
Veröffentlicht: (2022)

Approximately Gaussian Replicator Flows: Nonconvex Optimization as a Nash-Convergent Evolutionary Game
von: Anderson, Brendon G., et al.
Veröffentlicht: (2024)

Dual Conic Proxy for Semidefinite Relaxation of AC Optimal Power Flow
von: Qiu, Guancheng, et al.
Veröffentlicht: (2025)

Semidefinite Relaxations of the Gromov-Wasserstein Distance
von: Chen, Junyu, et al.
Veröffentlicht: (2023)

A Semidefinite Programming-Based Branch-and-Cut Algorithm for Biclustering
von: Sudoso, Antonio M.
Veröffentlicht: (2024)

Tight Robustness Certificates and Wasserstein Distributional Attacks for Deep Neural Networks
von: Le, Bach C., et al.
Veröffentlicht: (2025)

The computation of approximate feedback Stackelberg equilibria in multi-player nonlinear constrained dynamic games
von: Li, Jingqi, et al.
Veröffentlicht: (2024)

Heuristic Optimal Transport in Branching Networks
von: Andrecut, M.
Veröffentlicht: (2023)

Distributionally Robust Joint Chance-Constrained Optimal Power Flow using Relative Entropy
von: Brock, Eli, et al.
Veröffentlicht: (2025)

VAMO: Efficient Zeroth-Order Variance Reduction for SGD with Faster Convergence
von: Chen, Jiahe, et al.
Veröffentlicht: (2025)

Statistically Optimal K-means Clustering via Nonnegative Low-rank Semidefinite Programming
von: Zhuang, Yubo, et al.
Veröffentlicht: (2023)

Relaxation-Informed Training of Neural Network Surrogate Models
von: Tsay, Calvin
Veröffentlicht: (2026)

Rethinking the Capacity of Graph Neural Networks for Branching Strategy
von: Chen, Ziang, et al.
Veröffentlicht: (2024)

Optimization Over Trained Neural Networks: Taking a Relaxing Walk
von: Tong, Jiatai, et al.
Veröffentlicht: (2024)

Multi-Objective Linear Ensembles for Robust and Sparse Training of Few-Bit Neural Networks
von: Bernardelli, Ambrogio Maria, et al.
Veröffentlicht: (2022)

Optimal Depth of Neural Networks
von: Qi, Qian
Veröffentlicht: (2025)

Low-Rank Extragradient Methods for Scalable Semidefinite Optimization
von: Garber, Dan, et al.
Veröffentlicht: (2024)

Geometry of Critical Sets and Existence of Saddle Branches for Two-layer Neural Networks
von: Zhang, Leyang, et al.
Veröffentlicht: (2024)

Convex Relaxations of ReLU Neural Networks Approximate Global Optima in Polynomial Time
von: Kim, Sungyoon, et al.
Veröffentlicht: (2024)

Physics-Informed Neural Networks with Hard Linear Equality Constraints
von: Chen, Hao, et al.
Veröffentlicht: (2024)

Interior-Point Vanishing Problem in Semidefinite Relaxations for Neural Network Verification
von: Ueda, Ryota, et al.
Veröffentlicht: (2025)

A New Semidefinite Relaxation for Linear and Piecewise-Affine Optimal Control with Time Scaling
von: Yang, Lujie, et al.
Veröffentlicht: (2025)

Distributionally Robust Policy and Lyapunov-Certificate Learning
von: Long, Kehan, et al.
Veröffentlicht: (2024)

Sample Complexity of Algorithm Selection Using Neural Networks and Its Applications to Branch-and-Cut
von: Cheng, Hongyu, et al.
Veröffentlicht: (2024)

Homotopy Relaxation Training Algorithms for Infinite-Width Two-Layer ReLU Neural Networks
von: Yang, Yahong, et al.
Veröffentlicht: (2023)

Preconditioned Gradient Descent for Overparameterized Nonconvex Burer--Monteiro Factorization with Global Optimality Certification
von: Zhang, Gavin, et al.
Veröffentlicht: (2022)

Mixtures Closest to a Given Measure: A Semidefinite Programming Approach
von: Đurašinović, Srećko, et al.
Veröffentlicht: (2025)

Fast, Scalable, Warm-Start Semidefinite Programming with Spectral Bundling and Sketching
von: Angell, Rico, et al.
Veröffentlicht: (2023)

Machine Learning Augmented Branch and Bound for Mixed Integer Linear Programming
von: Scavuzzo, Lara, et al.
Veröffentlicht: (2024)

Mixing Classifiers to Alleviate the Accuracy-Robustness Trade-Off
von: Bai, Yatong, et al.
Veröffentlicht: (2023)

A Guaranteed-Stable Neural Network Approach for Optimal Control of Nonlinear Systems
von: Li, Anran, et al.
Veröffentlicht: (2025)

Scalable Bi-causal Optimal Transport via KL Relaxation and Policy Gradients
von: Cao, Haoyang, et al.
Veröffentlicht: (2026)

Disjunctive Branch-and-Bound for Certifiably Optimal Low-Rank Matrix Completion
von: Bertsimas, Dimitris, et al.
Veröffentlicht: (2023)

Convergence Analysis for Learning Orthonormal Deep Linear Neural Networks
von: Qin, Zhen, et al.
Veröffentlicht: (2023)

Can Learning Be Explained By Local Optimality In Robust Low-rank Matrix Recovery?
von: Ma, Jianhao, et al.
Veröffentlicht: (2023)

Towards Quantifying the Hessian Structure of Neural Networks
von: Dong, Zhaorui, et al.
Veröffentlicht: (2025)

Optimality-Informed Neural Networks for Solving Parametric Optimization Problems
von: Hoffmann, Matthias K., et al.
Veröffentlicht: (2025)

Solving Max-Cut to Global Optimality via Feasibility-Preserving Graph Neural Networks
von: Chen, Hao, et al.
Veröffentlicht: (2026)