HDTest：类脑超维计算的差分模糊测试
神经与进化计算
2021-03-17 v1
摘要
类脑超维计算（HDC）是一种新兴的计算范式，它模拟大脑认知并利用具有完全分布式全息表示和（伪）随机性的超维向量。与深度神经网络（DNN）等其他机器学习（ML）方法相比，HDC 具有高能效、低延迟和一次性学习等多项优势，使其成为广泛应用中有前景的替代候选方案。然而，HDC 模型的可靠性和鲁棒性尚未被探索。在本文中，我们设计、实现并评估了 HDTest，通过自动暴露罕见输入下的意外或错误行为来测试 HDC 模型。HDTest 的核心思想基于引导式差分模糊测试。由 HDC 中查询超向量与参考超向量之间的距离引导，HDTest 持续变异原始输入以生成能够触发 HDC 模型错误行为的新输入。与传统 ML 测试方法相比，HDTest 不需要手动标注原始输入。以手写数字分类为例，我们展示了 HDTest 能够生成数千个具有可忽略扰动的对抗样本，可成功欺骗 HDC 模型。平均而言，HDTest 在商用计算机上约一分钟内可生成约 400 个对抗样本。最后，通过使用 HDTest 生成的输入重新训练 HDC 模型，我们可以增强 HDC 模型的鲁棒性。据我们所知，本文提出了系统测试这一新兴类脑计算模型的首项工作。
引用
@article{arxiv.2103.08668,
title = {HDTest: Differential Fuzz Testing of Brain-Inspired Hyperdimensional Computing},
author = {Dongning Ma and Jianmin Guo and Yu Jiang and Xun Jiao},
journal= {arXiv preprint arXiv:2103.08668},
year = {2021}
}