从数据中学到的分类器越来越多地用作安全是关键问题的系统中的组件。在这项工作中,我们通过称为安全订购约束的约束来提出针对分类器的正式安全概念。这些限制条件将分类器输出的类输出的顺序与输入的条件有关,并且表达足以编码文献中分类器安全规范的各种有趣的示例。对于使用神经网络实施的分类器,我们还提出了一种运行时机制,用于执行安全订购约束。我们的方法基于一个自我校正层,该层可证明,无论分类器输入的特征如何,它都可以产生安全的输出。我们将此层与现有的神经网络分类器组成,以构建自我校正网络(SC-NET),并证明除了提供安全的输出外,SC-NET还可以保证尽可能保留原始网络的分类精度。我们的方法独立于用于分类的神经网络的大小和体系结构,仅取决于指定的属性和网络输出的尺寸;因此,它可扩展到大型最新网络。我们表明,我们的方法可以针对GPU进行优化,从而在当前硬件上引入了少于1ms的运行时开销 - 即使在包含数十万个神经元和数百万参数的大型,广泛使用的网络上。
translated by 谷歌翻译