压缩感知认证训练

部署在安全关键、资源受限环境中的深度神经网络必须在效率与鲁棒性之间取得平衡。现有方法将压缩与认证鲁棒性视为独立目标，在效率或安全性上做出妥协。我们提出了 CACTUS（Compression Aware Certified Training Using network Sets），一个在训练过程中统一这些目标的通用框架。CACTUS 模型在压缩后仍保持高认证准确率。我们将 CACTUS 应用于剪枝和量化，并证明它能有效训练出可以高效压缩同时保持高准确率和可认证鲁棒性的模型。CACTUS 在各种数据集和输入规格上实现了剪枝和量化方面的最先进准确率和认证性能。