面向深度学习神经网络对抗攻击的硬件加速器
信号处理
2020-08-05 v1 硬件体系结构
机器学习
摘要
近期研究指出，深度神经网络（DNNs）易受细微扰动的影响，这些扰动不为人类视觉系统所察觉，却可欺骗DNN模型并导致错误输出。已有若干对抗攻击网络算法被提出，用于在不同环境下生成鲁棒的物理扰动。这些算法是通过提供训练未来防御网络的途径来推进安全深度学习的最初尝试，然而其内在复杂性阻碍了更广泛的使用。本文中，我们提出首个基于忆阻器交叉阵列的对抗攻击硬件加速器。我们的设计显著提升了视觉对抗扰动系统的吞吐量，进而可提升未来深度学习系统的鲁棒性与安全性。基于算法的独特性，我们提出了四种对抗攻击加速器（）的实现以提升吞吐量、能效和计算效率。
引用
@article{arxiv.2008.01219,
title = {Hardware Accelerator for Adversarial Attacks on Deep Learning Neural Networks},
author = {Haoqiang Guo and Lu Peng and Jian Zhang and Fang Qi and Lide Duan},
journal= {arXiv preprint arXiv:2008.01219},
year = {2020}
}
备注
IGSC'2019 (https://shirazi21.wixsite.com/igsc2019archive) Best paper award