Richtung formale Methoden und Softwaretechnik für Deep Learning: Sicherheit, Schutz und Produktivität für die Entwicklung von DL-Systemen

Deep Learning (DL) Techniken sind mittlerweile weit verbreitet und werden in viele wichtige Systeme integriert. Ihre Klassifizierungs- und Erkennungsfähigkeiten sichern ihre Relevanz für mehrere Anwendungsbereiche, die weit über reine Signalverarbeitung hinausgehen. Als eine maschinelle Lerntechnik, die auf Training anstelle von expliziter Algorithmusprogrammierung beruht, bieten sie ein hohes Maß an Produktivität. Aber aktuelle Forschungsarbeiten haben gezeigt, dass sie anfällig für Angriffe sein können und die Überprüfung ihrer Richtigkeit erst langsam als wissenschaftliche und ingenieurtechnische Möglichkeit entsteht. Darüber hinaus sind DL-Tools nicht in die klassische Softwaretechnik integriert, sodass Software-Tools zur Spezifizierung, Modifikation und Überprüfung sie als Software-Hardware-Systeme noch mainstream-iger machen würden. Dieses Papier untersucht aktuelle Arbeiten und schlägt Forschungsrichtungen und -methoden zu diesem Zweck vor.