Repair Instead of Retraining: A Constraint-Guided Framework for Neural Network Repair
Este artículo presenta un marco guiado por restricciones que repara redes neuronales desplegadas mediante la localización de pesos relevantes para las fallas vía DeepSHAP, la recolección de restricciones simbólicas a través de pruebas concolicas y la optimización de actualizaciones con Max-SMT, demostrando mediante extensos experimentos que la exploración sistemática del espacio de diseño revela estrategias de reparación críticas —tales como modificaciones de solo sesgo— que reducen significativamente las vulnerabilidades adversarias y de puertas traseras mientras preservan la fidelidad del modelo.