arXiv cs.AI· Thanh Le, Hai Duong, Takeshi Matsumura, ThanhVu Nguyen·· 9 天前AI 评分22
DeepJSCC 神经网络验证：首个有界传播框架
Neural Network Verification for Deep Joint Source-Channel Coding
AI 导读
研究者提出首个针对 DeepJSCC 解码器的有界传播验证框架，可在给定无线信道噪声区域内界定最坏情况重建误差。该框架扩展了 PReLU、转置卷积与 Rayleigh 衰落的验证技术，并结合 GloRo 全局鲁棒性训练，在图像传输模型上将中位认证界降低最多 41%，认证安全案例数从 19 增至 192。OFDM 软件无线电实测中，认证界为 0.128，链路最差观测误差为 0.082。
正文 · AI 翻译
摘要：深度联合信源信道编码（DeepJSCC）使用神经编码器-解码器通过无线信道端到端传输数据，但在对抗性扰动和信道干扰下重建质量会急剧下降；目前尚无方法能对 DeepJSCC 的这种退化给出形式化界。我们提出了首个用于验证 DeepJSCC 解码器的界传播框架，可在给定无线信道的噪声区域内界定最坏情况重建误差。当前的深度神经网络（DNN）验证器不支持 DeepJSCC 解码器的三个组件：参数化修正线性激活（PReLU）、转置卷积和瑞利衰落。我们扩展了 DNN 验证中线性松弛优化的最先进技术以支持 PReLU，将转置卷积替换为其受限的先上采样后卷积形式，并将瑞利衰落表述为直接前置到解码器中的结构性扰动，从而降低验证问题的维度。我们还实例化了 Lipschitz 正则化的全局鲁棒性训练，记为 GloRo，提升了全局鲁棒性，并首次实现了 DeepJSCC 模型的紧致认证。在用于图像传输的 DeepJSCC 模型上，这种全局鲁棒性训练过程结合结构编码将中位认证界最多降低 41%，并在信道估计误差为 10 度时认证了约十倍多的安全案例（192 对 19），优于采用区间编码的 GloRo。在软件定义无线电设备上使用正交频分复用（OFDM）实现进行的空口验证证实了该证书在真实硬件上成立，无线电链路上观测到的最坏误差为 0.082，而认证界为 0.128。
| 学科： | 软件工程（cs.SE）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.11994 [cs.SE] |
| （或 arXiv:2610.11994v1 [cs.SE] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.11994 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Hai Duong [查看电子邮件]
[v1]
2026年10月8日星期四 14:02:49 UTC（1,052 KB）
来源：arXiv cs.AI · arxiv.org