压缩深度学习模型的对抗鲁棒性基准测试
机器学习
2023-08-17 v1
摘要
深度神经网络（DNNs）规模的不断增长带来了对模型压缩的迫切需求，尤其在资源受限设备上部署时。与此同时，DNNs 易受对抗攻击的弱点构成了另一重大障碍。尽管关于模型压缩与对抗鲁棒性的研究均已充分展开，二者联合考察仍显不足。我们的研究填补了这一空白，旨在理解为基础模型精心构造的对抗输入对其剪枝版本的影响。为考察该关系，我们构建了一个涵盖多种对抗攻击与主流 DNN 模型的综合基准。我们独特地聚焦于未经对抗训练训练的模型，并采用针对精度与性能优化的剪枝方案。我们的发现表明：剪枝所带来的增强泛化性、压缩比与更快推理时间的益处得以保留，而对抗鲁棒性与基础模型相当。这表明模型压缩在提供其独特优势的同时，并不会削弱对抗鲁棒性。
引用
@article{arxiv.2308.08160,
title = {Benchmarking Adversarial Robustness of Compressed Deep Learning Models},
author = {Brijesh Vora and Kartik Patwari and Syed Mahbub Hafiz and Zubair Shafiq and Chen-Nee Chuah},
journal= {arXiv preprint arXiv:2308.08160},
year = {2023}
}