Deep learning has transformed the way we think of software and what it can do. But deep neural networks are fragile and their behaviors are often surprising. In many settings, we need to provide formal guarantees on the safety, security, correctness, or robustness of neural networks. This book covers foundational ideas from formal verification and their adaptation to reasoning about neural networks and deep learning.
翻译：深层次的学习改变了我们对软件及其所能做的事情的思考方式。 但深层的神经网络是脆弱的,它们的行为往往令人吃惊。 在许多环境下,我们需要对神经网络的安全、保障、正确性或稳健性提供正式的保障。 这本书涵盖了从正式的核查到基本理念,以及它们适应神经网络和深层学习的理论。
相关内容
神经网络（Neural Networks）是世界上三个最古老的神经建模学会的档案期刊:国际神经网络学会(INNS)、欧洲神经网络学会(ENNS)和日本神经网络学会(JNNS)。神经网络提供了一个论坛，以发展和培育一个国际社会的学者和实践者感兴趣的所有方面的神经网络和相关方法的计算智能。神经网络欢迎高质量论文的提交，有助于全面的神经网络研究，从行为和大脑建模，学习算法，通过数学和计算分析，系统的工程和技术应用，大量使用神经网络的概念和技术。这一独特而广泛的范围促进了生物和技术研究之间的思想交流，并有助于促进对生物启发的计算智能感兴趣的跨学科社区的发展。因此，神经网络编委会代表的专家领域包括心理学，神经生物学，计算机科学，工程，数学，物理。该杂志发表文章、信件和评论以及给编辑的信件、社论、时事、软件调查和专利信息。文章发表在五个部分之一:认知科学，神经科学，学习系统，数学和计算分析、工程和应用。
官网地址：http://dblp.uni-trier.de/db/journals/nn/
Arxiv
11+阅读 · 2021年9月3日
相关VIP内容
相关资讯
相关论文
Arxiv
11+阅读 · 2021年9月3日
微信扫码咨询专知VIP会员