Repair Instead of Retraining: A Constraint-Guided Framework for Neural Network Repair
Este artigo apresenta um framework guiado por restrições que repara redes neurais implantadas ao localizar pesos relevantes para falhas via DeepSHAP, coletar restrições simbólicas por meio de testes concolicos e otimizar atualizações com Max-SMT, demonstrando, através de extensos experimentos, que a exploração sistemática do espaço de design revela estratégias de reparo críticas — tais como modificações apenas de viés — que reduzem significamente vulnerabilidades adversariais e de backdoor enquanto preservam a fidelidade do modelo.