以误防御：面向深度神经网络鲁棒性的近似计算
密码学与安全
2022-11-03 v1
摘要
卷积神经网络（CNNs）等机器学习架构易受对抗攻击：精心构造的输入迫使系统输出错误标签。由于机器学习正被部署于安全关键与安防敏感领域，此类攻击可能带来灾难性的安全与后果。本文首次提出利用硬件支持的近似计算来提升机器学习分类器的鲁棒性。我们表明，针对精确分类器的成功对抗攻击向近似实现的迁移性很差。令人惊讶的是，鲁棒性优势也适用于白盒攻击——攻击者可无限制访问近似分类器实现：在此情形下，我们表明需要显著更高水平的对抗噪声才能生成对抗样本。此外，我们的近似计算模型保持相同的分类准确率水平，无需重训练，并降低了 CNN 的资源占用与能耗。我们在一组强对抗攻击上进行了广泛实验；经验性地表明，所提实现显著提升了 LeNet-5、Alexnet 与 VGG-11 CNNs 的鲁棒性，并因近似逻辑更简单而带来高达 50% 的能耗附带节省。
引用
@article{arxiv.2211.01182,
title = {Defending with Errors: Approximate Computing for Robustness of Deep Neural Networks},
author = {Amira Guesmi and Ihsen Alouani and Khaled N. Khasawneh and Mouna Baklouti and Tarek Frikha and Mohamed Abid and Nael Abu-Ghazaleh},
journal= {arXiv preprint arXiv:2211.01182},
year = {2022}
}
备注
arXiv admin note: substantial text overlap with arXiv:2006.07700