Краткое содержание

arXiv:2511.11656v1 Тип: новая работа Аннотация: Хотя в последнее время были разработаны доказуемые методы для вычисления грац прообраза нейронных сетей, их масштабируемость принципиально ограничена #P-полнотой задачи. В данной работе мы используем новый вероятностный подход, стремясь предоставить решения с гарантиями высокой достоверности и ограниченной погрешностью. С этой целью мы исследуем потенциал бутстрэп-методов и рандомизированных подходов, способных捕获 сложные паттерны в высокоразмерных пространствах, включая области входа, где выполняется заданное свойство выхода. В частности, мы представляем $\textbf{R}$andom $\textbf{F}$orest $\textbf{Pro}$perty $\textbf{Ve}$rifier ($\texttt{RF-ProVe}$) — метод, использующий ансамбль рандомизированных деревьев решений для генерации кандидатных областей входа, удовлетворяющих требуемому свойству выхода, и уточняющий их посредством активного перевыборки. Наши теоретические выводы предлагают формальные статистические гарантии на чистоту области и глобальное покрытие, предостав