De mentale en fysieke toestanden van de virtuele persoon (VP) zijn neutraal en beïnvloeden de besluitvorming niet direct. Het overkoepelende doel van de VP is gezond blijven. Op een bepaald moment moet de VP kiezen: gaat hij na of een esofagogastroduodenoscopie (EGD) noodzakelijk is, of onderzoekt hij eerst beter wat EGD inhoudt, om zo een beter onderbouwde beslissing te kunnen nemen? De VP kiest voor het laatste en begint met het onderzoeken van het risico en de pijn die de procedure kan veroorzaken, om preciezere parameters van het ontologische concept EGD te achterhalen. Vervolgens wordt een beslissingstest opnieuw uitgevoerd, waarbij nu een resultaat boven de handelbaarheidsdrempel uitkomt — dit geeft de VP een reden om met de procedure akkoord te gaan.

Tijdens de simulatie van de EGD-procedure genereert het model van de VP nieuwe fysiologische gegevens. Het interpretatiemodule voor interne waarneming vertaalt deze data naar een betekenisvolle representatie van de ervaren pijn. Als de pijn daadwerkelijk aanwezig was, wordt de waarde van het pijnparameter in het ontologische concept EGD aangepast, wat leidt tot een verlaging van het vertrouwen in de arts met betrekking tot diagnostiek. Was er echter geen pijn, dan kan het vertrouwen in de arts juist toenemen, mede door cognitieve biases zoals de halo-effect. Dit vertrouwen beïnvloedt vervolgens hoe snel en met hoeveel vragen de VP toekomstige suggesties van de arts accepteert.

De beschreven situatie illustreert dat het vertrouwen niet statisch is, maar dynamisch en afhankelijk van voortdurende evaluaties en ervaringen. Daarnaast herkent de VP dat hij door de arts vertrouwd wordt met het concept van EGD, ook al begrijpt hij nog niet volledig wat de afkorting precies betekent. Als de arts vervangen wordt door een andere agent, wordt deze vertrouwensbeoordeling opgeslagen in het episodisch geheugen van die agent. Onjuiste leerresultaten zouden leiden tot een neerwaartse aanpassing van het vertrouwen en extra interacties om de kenniscorrectie te waarborgen.

Metacognitie speelt een cruciale rol bij het vertrouwen. Het verwijst naar het vermogen van een agent om kennis en overtuigingen over zijn eigen en andermans wereldmodel, intenties, herinneringen, persoonlijkheid en biases te kennen en gebruiken. Volledige behandeling van vertrouwen is alleen mogelijk als het systeem metacognitie ondersteunt: de agent kan dan zijn eigen toestand, kennis en intenties uitleggen, evenals de waargenomen toestanden en intenties van anderen. Dit vermogen, ook wel mental model ascription of mindreading genoemd, maakt het gedrag van de agent menselijker.

Het onderhouden van vertrouwen is slechts één aspect van metacognitie. OntoAgent, het gebruikte architectuurmodel, bevat daarnaast microtheorieën over zelfvertrouwen en handelbaarheid die het besluitvormingsproces beïnvloeden tijdens waarneming, redenering en actie. Zelfvertrouwen betreft de mate waarin de agent gelooft in de juistheid van zijn beslissingen en kennis. Handelbaarheid weerspiegelt de menselijke neiging om zo snel mogelijk beslissingen te nemen, zelfs zonder volledige analyse van alle redenen voor en tegen. Deze neiging verklaart waarom mensen gesprekken onderbreken of situaties beoordelen voordat alle informatie is verwerkt.

Metacognitie is eveneens essentieel voor communicatie tussen agenten en menselijke teamleden. Het begrijpen van intenties, het bepalen van gepaste antwoorden en de formulering ervan vereisen dit zelfbewustzijn. Hierdoor kan een agent niet alleen communiceren, maar ook uitleg geven over zijn waarnemingen, redeneringen en acties, wat belangrijk is voor leren, lesgeven, onderhandelen en overtuigen.

De kern van metacognitief redeneren is de beschikbaarheid van diverse soorten statische en procedurele kennis. Een agent moet een gedetailleerd archief bijhouden van zijn eigen gedrag en eigenschappen, evenals van zijn overtuigingen over het gedrag, de eigenschappen en de geschiedenis van andere agenten. Alleen dan kan hij adequaat reflecteren en het vertrouwen dynamisch beheren.

Daarnaast is het cruciaal te beseffen dat het modelleren van vertrouwen en metacognitie in AI niet louter een kwestie is van het toevoegen van regels, maar van het diepgaand begrijpen van menselijke cognitieve processen, biases en interacties. Dit vraagt om voortdurende aanpassing en herwaardering van vertrouwen op basis van nieuwe ervaringen en inzichten. Vertrouwen is daarmee een adaptief en contextueel fenomeen dat onlosmakelijk verbonden is met metacognitieve capaciteiten.

Hoe de rol van onzekerheid de prestaties van diepe versterkingsleren beïnvloedt

In de context van besluitvorming wordt een Markov-beslissingsproces (MDP) vaak gebruikt om de dynamiek van een omgeving te modelleren. Wanneer observaties niet volledig zichtbaar zijn, maken we gebruik van gedeeltelijk waarneembare besluitvormingsprocessen (POMDP's). Deze POMDP's zijn van cruciaal belang in verschillende toepassingen zoals manipulatie, autonoom rijden en luchtvaartcontrole. De literatuur biedt een breed scala aan oplosmethoden voor POMDP's, zoals de solvers die zijn geïmplementeerd in POMDPs.jl. Echter, het typische gebruik van POMDP's houdt geen rekening met epistemische onzekerheid, wat een belangrijk aspect is van het modelleren van onzekere omgevingen. Het inschatten van deze onzekerheid vereist het bijhouden van een distributie over het MDP, wat vaak onuitvoerbaar is vanwege de complexiteit.

In dit verband worden vaak stochastische beleidsstrategieën gebruikt, omdat de uitkomsten van acties niet altijd zeker zijn. Dit element van willekeur maakt het mogelijk om verschillende mogelijkheden te verkennen, in plaats van vast te lopen in een lokaal optimum. Dit is van bijzonder belang wanneer het model van de omgevingsdynamiek onbekend is of te complex om correct te modelleren, wat de noodzaak aanduidt om over te schakelen naar model-vrij versterkingsleren (RL). Model-vrij RL biedt een impliciete manier om met bepaalde aspecten van omgevingsonzekerheid om te gaan, door te leren uit interacties met de omgeving zonder voorafgaande kennis van het dynamische model.

Daarnaast kunnen zowel aleatorische als epistemische onzekerheid bijdragen aan de verbetering van diepe RL-systemen op verschillende manieren. Charpentier et al. hebben vier belangrijke doelstellingen geformuleerd voor het gewenste gedrag van onzekerheid in diepe RL, die zowel empirisch als theoretisch zijn onderbouwd. Ten eerste moet de epistemische onzekerheid afnemen naarmate het aantal trainingsstappen toeneemt, omdat de agent steeds meer informatie over de omgeving verzamelt. Ten tweede zou de agent bij gebruik van een epistemische strategie meer beloningen moeten verzamelen dan bij het toepassen van een aleatorische strategie. Dit is belangrijk omdat de omgeving waarin een robot wordt getraind vaak verschilt van de omgeving waarin deze wordt ingezet. Daarom kunnen de aard en de complexiteit van de verstoringen de epistemische onzekerheid verhogen, wat impliceert dat de agent nog niet goed getraind is op de nieuwe omgeving. Tegelijkertijd kunnen de verzamelde beloningen afnemen wanneer de verstoringen toenemen.

Epistemische onzekerheid speelt een belangrijke rol in de generalisatie en efficiëntie van het leren. In praktische toepassingen kunnen methoden zoals Bayesian nonparametrische technieken, waaronder Gaussiaanse processen, en set-gebaseerde technieken zoals conforme voorspelling, helpen om theoretische garanties te bieden voor veiligheid en prestaties bij het nemen van beslissingen in onzekere omgevingen. Deze technieken zijn bijzonder waardevol voor controletoepassingen waar onzekerheden in parameters of verstoringen de stabiliteit van het systeem kunnen bedreigen. Een ander veelgebruikte aanpak in deze context is robuuste modelvoorspellende controle (Robust MPC), waarbij onzekerheden als begrensde verzamelingen worden behandeld, bijvoorbeeld als polytopen of ellipsoïden.

Robuuste controlestrategieën, zoals Conditional Value at Risk (CVaR), worden steeds vaker toegepast in robotbesturing, trajectoptimalisatie en motion planning om de risico’s en onzekerheden in de systemen aan te pakken. Deze benaderingen helpen niet alleen bij het verbeteren van de stabiliteit van het systeem onder onzekerheid, maar dragen ook bij aan de veiligheid van autonome systemen.

In vergelijking met klassieke benaderingen zoals de e-greedy strategie of aleatorische strategieën, hebben epistemische strategieën de neiging om hogere beloningen te behalen en tegelijkertijd een betere generalisatie te behouden, vooral in ongedetecteerde domeinen (OOD). Dit maakt epistemische onzekerheid een belangrijk hulpmiddel in de ontwikkeling van robuuste en efficiënte algoritmes voor diepe versterkingsleren.

Het is echter belangrijk te begrijpen dat onzekerheid, of deze nu aleatorisch of epistemisch van aard is, niet zomaar een hindernis is, maar een krachtig hulpmiddel om de robuustheid van de agent in verschillende omgevingen te vergroten. In plaats van onzekerheid volledig te elimineren, moeten we leren hoe we deze kunnen gebruiken om efficiënter en veiliger te navigeren in onzekere, dynamische omgevingen. Dit besef is essentieel voor de verdere vooruitgang van AI in de wereld van autonome systemen en robotica.

Hoe Kan We Robuustheid en Verificatie van Neurale Netwerken Verbeteren?

Het verbeteren van de robuustheid van neurale netwerken is een belangrijke uitdaging in de kunstmatige intelligentie. Dit komt vooral door het vermogen van aanvallers om de resultaten van deze netwerken te manipuleren via subtiele veranderingen in de inputdata, ook wel bekend als adversarial attacks. Dit heeft geleid tot een breed scala aan onderzoek gericht op het ontwikkelen van technieken die niet alleen de prestaties van neurale netwerken verbeteren, maar ook hun betrouwbaarheid kunnen garanderen. Bij deze ontwikkelingen speelt de verificatie van de robuustheid van neurale netwerken een cruciale rol.

De vraag naar manieren om de robuustheid van neurale netwerken te waarborgen is niet nieuw. Er zijn al diverse benaderingen gepresenteerd om ervoor te zorgen dat netwerken bestand zijn tegen aanvallen, en een van de bekendste daarvan is het gebruik van formele verificatietechnieken. In plaats van uitsluitend te vertrouwen op empirische tests, richt formele verificatie zich op het berekenen van strikte grenzen voor de prestaties van een model, met name in scenario’s van verstoring van inputgegevens.

Er is een breed scala aan technieken ontwikkeld voor de verificatie van robuustheid, zoals het gebruik van lineaire benaderingen en relaxaties die de mogelijke waarden van de output van een neuraal netwerk in reactie op veranderingen in de input kunnen beperken. Een van de meest opvallende ontwikkelingen is het werk rondom convex relaxation, wat een krachtig hulpmiddel blijkt te zijn bij het verifiëren van robuustheid door middel van technieken die het netwerk op een formelere manier benaderen. Dit maakt het mogelijk om vast te stellen of een netwerk bestand is tegen kleine wijzigingen in de input, zoals ruis of vervormingen die door aanvallers kunnen worden geïntroduceerd.

Daarnaast is er steeds meer aandacht voor de efficiëntie van deze technieken. Sommige methoden vereisen aanzienlijke rekenkracht, wat het moeilijk maakt om ze toe te passen op grotere netwerken of in real-time toepassingen. Hier komt het concept van bounded propagation naar voren, wat inhoudt dat we de berekeningen van de robuustheidsmarges beperken tot een aantal gestandaardiseerde paden om het verificatieproces sneller en efficiënter te maken. Door deze benaderingen te combineren met verbeterde activation functions kunnen we robuustere en sneller verifieerbare netwerken ontwikkelen.

Bovendien is er recent onderzoek dat zich richt op ensemble methodes, waarbij meerdere modellen samenwerken om robuustheid te verbeteren. Het idee hierachter is dat de samenwerking van meerdere netwerken, met verschillende architecturen of trainingstechnieken, het moeilijker maakt voor aanvallers om kwetsbaarheden te identificeren en te exploiteren.

Naast de technische benaderingen is het van belang dat we ook begrijpen dat robuustheid niet alleen een kwestie is van het afweren van aanvallen, maar ook van het waarborgen van de stabiliteit van het model in verschillende scenario’s. Er zijn bijvoorbeeld technieken zoals randomized smoothing, waarbij een netwerk bewust wordt blootgesteld aan kleine, willekeurige verstoringen om de robuustheid tegen een breed scala van potentiële aanvallen te verbeteren. Dit biedt een vorm van verzwakking van de beslissing van het netwerk door ruis in de input toe te voegen, wat kan helpen om de stabiliteit in het geval van verstoringen te waarborgen.

Wat daarnaast belangrijk is, is het inzicht dat de robuustheid van een neuraal netwerk niet statisch is. Robuustheid moet dynamisch worden beoordeeld en geoptimaliseerd naarmate de technologie vordert. Nieuwe aanvalstechnieken zullen onvermijdelijk opduiken, wat betekent dat de verdedigingen continu moeten worden aangepast en verbeterd. Er is ook een groeiend besef dat de robuustheid van netwerken niet alleen op systematisch niveau moet worden geanalyseerd, maar ook in de context van de specifieke toepassing die het netwerk dient.

De implicaties voor de praktijk zijn diepgaand. In toepassingen zoals autonome voertuigen, medische diagnostische systemen of beveiligingstoepassingen is het van cruciaal belang dat de AI-systemen niet alleen accuraat zijn, maar ook bestand tegen onverwachte en potentieel schadelijke invloeden van buitenaf. Dit vraagt niet alleen om geavanceerde technologische oplossingen, maar ook om een zorgvuldige afweging van de ethische en praktische gevolgen van het gebruik van deze robuuste netwerken in de echte wereld.

Bij het ontwikkelen van robuuste AI-systemen is het ook belangrijk dat onderzoekers en ingenieurs zich bewust zijn van de afwegingen die ze moeten maken. Verhoogde robuustheid kan ten koste gaan van de rekencapaciteit of de snelheid van het model, wat invloed kan hebben op de algehele efficiëntie van het systeem. Dit moet altijd worden afgewogen tegen de specifieke eisen van de toepassing. Dit houdt in dat we niet alleen kijken naar de robuustheid in abstracte zin, maar dat we ook rekening houden met de praktische toepasbaarheid in echte scenario’s.

Hoe kunnen neurale netwerken worden geverifieerd én gerepareerd?

Het waarborgen van veiligheid in neurale netwerken (DNNs) vormt een fundamenteel vraagstuk binnen kritische toepassingen, zoals luchtvaartnavigatie of autonome systemen. Veritex, een object-georiënteerd softwarepakket geschreven in Python, biedt een innovatief en systematisch kader voor zowel de verificatie als de reparatie van DNNs. In plaats van louter te vertrouwen op traditionele formele verificatietools, introduceert Veritex een metacognitieve benadering: het systeem evalueert en herstructureert zichzelf op basis van zijn fouten. Deze methodologie impliceert niet alleen een syntactische controle van de netwerken, maar ook een herinterpretatie van hun semantische gedrag via bereikbaarheidsanalyse en gecontroleerde hertraining.

De verificatiemodule van Veritex werkt met zowel exacte als over-approximatieve methoden. Voor ReLU-gebaseerde netwerken — waarvan exacte analyse bekend staat als NP-compleet — worden technieken zoals FVIM en Flattice toegepast om de exacte bereikbare outputdomeinen te bepalen. Deze domeinen bestaan uit verzamelingen convex-polytopen, waarvan de unie de volledige outputruimte beschrijft. Hiermee wordt het mogelijk om formeel te bewijzen of een netwerk veilig of onveilig is binnen een gedefinieerd inputdomein. Voor grotere of complexere netwerken wordt een over-approximatie toegepast via activatiefunctie-linearisatie en de V-zono representatie, wat toelaat om schaalbaarheid te behouden ten koste van volledig bewijs. In dat geval blijft de analyse geluids maar onvolledig: onveiligheid kan worden gedetecteerd, maar veiligheid niet gegarandeerd.

Visualisatie speelt hierbij een niet te onderschatten rol. Door projectie van bereikbare domeinen naar twee- of driedimensionale ruimtes worden de structurele eigenschappen van netwerken inzichtelijk. Het biedt onderzoekers een intuïtief perspectief op de reikwijdte van activaties, transformaties en de impact van eventuele aanpassingen.

De kracht van Veritex ligt echter vooral in de combinatie met reparatie. Zodra een netwerk als onveilig wordt geïdentificeerd, start het systeem een iteratief herstelproces. De kern hiervan is een geoptimaliseerde lossfunctie die twee doelstellingen combineert: het elimineren van onveilige outputs én het minimaliseren van parameterschommelingen in het netwerk. Dit proces is fundamenteel metacognitief: het netwerk herleert gericht enkel daar waar fouten zijn vastgesteld, met minimale interferentie in zijn originele gedrag. De representatieve (x, y)-paren, afgeleid uit de grenzen van het onveilige domein, vormen de trainingsbasis voor herstel. Ze bevatten de extreme punten van het gedrag en fungeren als drijfveren voor gedragsaanpassing.

Afhankelijk van de beschikbaarheid van een referentiemodel of originele dataset, kan het herstelproces in verschillende modi worden uitgevoerd. Bij minimal repair wordt een gewogen som toegepast waarbij veiligheid en prestatiebehoud beiden geoptimaliseerd worden. Bij non-minimal repair wordt enkel de veiligheid nagestreefd, wat de efficiëntie vergroot maar met mogelijk grotere gedragsveranderingen. Het Pareto-optimaliteitsvraagstuk maakt minimal repair computationeel uitdagender: elke verbetering op één dimensie kan tot verslechtering leiden op een andere.

De onderliggende computationele infrastructuur van Veritex is robuust. Via state-representaties (P, I, N), waarin P het bereikbare domein is, I de laagindex en N de neuronset, wordt het probleem opgesplitst in parallel verwerkbare taken. Bij ReLU-activeringen — met hun piecewise lineaire karakter — wordt input gesplitst afhankelijk van het bereik (x > 0 of x < 0). Deze opsplitsing geldt eveneens voor max-poolinglagen. Door gebruik te maken van work-stealing parallelisme worden rekenkernen dynamisch benut, wat de schaalbaarheid van de exacte analyse versterkt.

Veritex ondersteunt de ONNX- en PyTorch-formaten en werkt samen met de VNN-LIB2-standaard voor het specificeren van veiligheidseigenschappen. Deze combinatie maakt het systeem compatibel met gangbare machine learning-pijplijnen en tegelijk geschikt voor formele verificatie. In de praktijk toont Veritex zijn kracht door in benchmarks — zoals met ACAS Xu netwerken of DRL-gebaseerde raketlandingsagenten — niet alleen superieure efficiëntie te behalen, maar ook effectieve correcties toe te passen met minimale prestatievermindering.

Wat men bij het toepassen van Veritex moet begrijpen, is dat de afweging tussen veiligheid en prestatie niet triviaal is. Reparatie kan onbedoelde implicaties hebben op generalisatie, en over-approximaties kunnen leiden tot onnodige correcties. Daarnaast blijft schaalbaarheid een grensfactor, vooral bij netwerken met hoge dimensionale inputruimtes. De keuze voor exacte of over-approximatieve methoden moet daarom strategisch worden genomen op basis van de toepassing, vereiste zekerheid en beschikbaarheid van data. Begrip van het interne gedrag van activaties en netwerkstructuur is essentieel om de resultaten van verificatie en reparatie correct te interpreteren.

Hoe de Berekenbaarheid van Bereikbare Sets in Deep Neural Networks de Veiligheidsverificatie Verbeteren

In het kader van deep learning, vooral binnen de toepassing van Deep Neural Networks (DNN), is het analyseren van de bereikbaarheid van staten essentieel voor de veiligheid van netwerken. Het begrip 'bereikbare sets' speelt hierbij een cruciale rol, aangezien het helpt te bepalen welke uitkomsten of resultaten mogelijk zijn voor een netwerk, gegeven een initiële set van inputwaarden. Dit proces wordt niet alleen gebruikt voor veiligheid, maar ook voor het verbeteren van de algehele prestaties van DNN’s.

Wanneer een DNN door een netwerk van lagen beweegt, zoals volledig verbonden lagen of convolutielagen, verandert de inputset (P) in elke laag in een nieuwe bereikbare set (P'). Deze transformatie volgt specifieke rekenkundige bewerkingen die afhankelijk zijn van de lagen zelf, waaronder affine-mapping en activatiefuncties zoals ReLU. Het is hierbij van belang dat elke laag de input zorgvuldig verwerkt, zodat de resultaten later kunnen worden geëvalueerd op mogelijke gevaren. In een parallelle werklastverdeling, zoals die wordt gebruikt in work-stealing computing, worden de berekeningen verdeeld over meerdere processors. Elke processor berekent zijn eigen staten en slaat extra staten op in een lokale wachtrij voor toekomstige processen. Wanneer een processor inactief wordt, steelt deze states van andere processors via een gedeelde wachtrij, wat zorgt voor een efficiënte benutting van alle processors. Het doel van dit proces is uiteindelijk om de veiligheid van het netwerk te controleren door te achterhalen of de uitvoer zich in een onveilige zone bevindt.

In de verificatie van een DNN is het bereikbare set de verzameling mogelijke uitvoerwaarden van het netwerk. Om deze sets nauwkeurig te berekenen, worden in Veritex verschillende representaties van verzamelingen gebruikt, zoals FVIM, FLattice en V-zono. Deze representaties zijn essentieel voor de efficiëntie van de bereikbaarheidanalyse, omdat ze de geometrische informatie van een convex polytoop bevatten, wat rechtstreeks de snelheid van berekeningen beïnvloedt. Bijvoorbeeld, de Facet-Vertex Incidence Matrix (FVIM) is een efficiënte representatie die de combinatoriële structuur van een polytoop bijhoudt. Dit stelt Veritex in staat om de bereikbare set te berekenen zonder lineaire programmeringsproblemen (LP’s) op te lossen, wat de rekenkracht ten goede komt. Dit gaat echter ten koste van het geheugengebruik, aangezien deze representatie meer geheugen verbruikt dan andere methoden die LP’s gebruiken.

Hoewel FVIM snel is, heeft het beperkingen wanneer we met complexere polytopen werken. Daarom biedt Veritex de Face Lattice (FLattice) representatie aan, die geschikt is voor het beschrijven van de volledige combinatoriële structuur van een polytoop. Dit maakt het mogelijk om complexere sets nauwkeurig weer te geven, hoewel de rekenintensiteit licht toeneemt in vergelijking met FVIM. De FLattice representatie is ideaal voor de exacte analyse van ReLU DNN’s en kan de veiligheid van een netwerk betrouwbaar verifiëren, hoewel het iets minder efficiënt is dan FVIM bij eenvoudige polytopen.

Voor situaties waarbij snelheid belangrijker is dan precisie, wordt de V-zono representatie gebruikt. Deze representatie, die is gebaseerd op een zonotoop, biedt een overgeëxtraheerde benadering van de bereikbare set. Het is een snelle methode die geschikt is voor veiligheidsverificatie, maar de overgeëxtraheerde benadering kan leiden tot conservatieve schattingen van de veiligheid, met als gevolg een grotere kans dat veilige configuraties als onveilig worden gemarkeerd.

Het combineren van verschillende analysemethoden, zoals exacte en overgeëxtraheerde berekeningen, heeft zijn voordelen. Veritex maakt gebruik van deze combinatie voor een snellere en completere verificatie van veiligheid. Dit betekent dat zelfs als een benadering conservatief is, het proces snel kan filteren welke ruimtes geen onveilige elementen bevatten. Hierdoor wordt de algehele efficiëntie aanzienlijk verhoogd, vooral wanneer de inputdomeinen klein zijn.

Naast de rekenkundige benaderingen die in Veritex worden gebruikt, is het belangrijk om te begrijpen dat veiligheid in een DNN niet alleen wordt bepaald door de rekenkracht of de precisie van de gebruikte representaties. Het gaat ook om de manier waarop de verschillende lagen van het netwerk interageren en hoe de netwerkinstellingen zoals het activatiefunctiegedrag (zoals ReLU) de veiligheid kunnen beïnvloeden. Bij het plannen van een DNN moet men rekening houden met het feit dat, afhankelijk van de gekozen architectuur en activatiefuncties, bepaalde patronen van onveilig gedrag kunnen ontstaan die alleen door middel van grondige bereikbaarheidanalyses kunnen worden geïdentificeerd.

De veiligheid van een DNN is dus afhankelijk van zowel de computationele methoden voor het berekenen van bereikbare sets als de fundamentele eigenschappen van de netwerkinstellingen en activatiefuncties. Een diepgaande begrip van deze aspecten en de beschikbare analysetools is essentieel voor een robuuste en efficiënte veiligheidsverificatie van deep learning systemen.

Hoe Evangelicalisme de Politieke Attitudes van Latijns-Amerikaanse Immigranten Vormt
Hoe kan men de integriteit en veiligheid van ruimtemissies waarborgen door middel van automatisering en technologie?
Hoe werkt een volledig automatische USB-assemblagemachine?
Hoe komt het dat extreemrechts populisme zo’n krachtige kracht is geworden in het Europa van vandaag?