我们提出了一种数据驱动的方法,用于概率程序和随机动力学模型的定量验证。我们的方法利用神经网络计算紧密和声音的边界,以使随机过程在有限的时间内达到目标状况的可能性。此问题涵盖了各种定量验证问题,从离散时间随机动力学模型的可及性和安全性分析到对概率计划的断言和末端分析的研究。我们依靠神经网络代表产生这种概率界限的超级智能证书,我们使用反例引导的电感综合循环对其进行计算:我们在使用随机优化的状态限制的概率上训练神经证书,然后使用随机优化的状态进行拧紧的概率,然后我们正式使用所有可能的状态,使用所有可能的状态使用满足性模量,以实现证书的有效性;如果我们收到反例,我们将其添加到我们的样本集中,然后重复循环,直到确认有效性。我们在各种基准基准上证明,由于神经网络的表达能力,我们的方法比现有的符号方法在所有情况下都产生的概率范围更小或可比,并且我们的方法在模型上完全取得了成功,这些模型完全超出了此类替代技术的范围。
主要关键词