探究图像识别模型在硬件加速器上的鲁棒性
机器学习
2025-03-26 v6 软件工程
系统与控制
系统与控制
摘要
随着人工智能(AI)在资源密集型与安全关键任务中使用的增加,各类机器学习(ML)编译器被开发出来,使深度神经网络(DNNs)能兼容多种硬件加速设备。然而,鉴于 DNNs 被广泛用于艰巨任务,必须验证这些编译器的行为。为此,我们提出 MutateNN,一种结合差分测试与变异测试元素的工具,用以检验图像识别模型在部署于具有不同能力的硬件加速器上、且其目标设备代码中存在由开发者引入或编译过程问题导致的故障时的鲁棒性。我们聚焦于图像识别领域,对 7 个成熟 DNN 模型应用变异测试,引入 6 个不同类别的 21 个变异。我们将变异体部署于 4 种不同能力的硬件加速设备,观察到 DNN 模型在与条件算子相关的变异体上跨设备呈现高达 90.3% 的差异。我们还观察到,与层修改、算术类型和输入相关的变异严重影响了整体模型性能(高达 99.8%)或导致模型崩溃,且跨设备表现一致。
引用
@article{arxiv.2306.01697,
title = {Exploring Robustness of Image Recognition Models on Hardware Accelerators},
author = {Nikolaos Louloudakis and Perry Gibson and José Cano and Ajitha Rajan},
journal= {arXiv preprint arXiv:2306.01697},
year = {2025}
}
备注
7 pages, 6 figures