ARBiBench：用于评估二值化神经网络对抗鲁棒性的基准
计算机视觉与模式识别
2023-12-22 v1 机器学习
摘要
网络二值化因其低计算成本，具有在资源受限设备上部署的巨大潜力。尽管二值化神经网络（BNNs）的安全性至关重要，但其抗对抗性鲁棒性鲁有所研究。本文提出 ARBiBench，一个综合性基准，用于评估 BNNs 在 CIFAR-10 和 ImageNet 上的抗对抗扰动鲁棒性。我们首先在各种白盒和黑盒攻击下评估七个具有影响力的 BNNs 的鲁棒性。结果揭示：1）在白盒攻击下，BNNs 在两个数据集上的抗对抗鲁棒性表现完全相反。2）在黑盒攻击下，BNNs 持续表现出更好的抗对抗鲁棒性。3）不同 BNNs 在鲁棒性表现上存在某些相似性。随后，我们基于这些洞见开展实验，分析 BNNs 的抗对抗鲁棒性。我们的研究为激发提升 BNNs 鲁棒性的研究并推动其在实际场景中的应用作出了贡献。
引用
@article{arxiv.2312.13575,
title = {ARBiBench: Benchmarking Adversarial Robustness of Binarized Neural Networks},
author = {Peng Zhao and Jiehua Zhang and Bowen Peng and Longguang Wang and YingMei Wei and Yu Liu and Li Liu},
journal= {arXiv preprint arXiv:2312.13575},
year = {2023}
}