近似计算是否对深度神经网络中的对抗攻击具有普适防御性？
密码学与安全
2022-01-02 v1 机器学习
摘要
近似计算以其以轻微精度损失为代价提升深度神经网络（DNN）加速器能效的有效性而著称。最近，近似组件（如近似乘法器）的不精确特性也被报道可成功防御 DNN 模型上的对抗攻击。由于近似误差以掩蔽或未掩蔽形式穿越 DNN 各层，这引发了一个关键研究问题——近似计算是否总能对 DNN 中的对抗攻击提供防御，即它们是否具有普适防御性？为此，我们利用最先进的近似乘法器对不同近似 DNN 加速器（AxDNN）进行广泛的对抗鲁棒性分析。具体地，我们使用 MNIST 与 CIFAR-10 数据集评估十种对抗攻击对不同 AxDNN 的影响。我们的结果表明，对 AxDNN 的对抗攻击可导致 53% 的精度损失，而相同攻击在精确 DNN 中几乎不造成精度损失（低至 0.06%）。因此，近似计算不能被视作针对对抗攻击的普适防御策略。
引用
@article{arxiv.2112.01555,
title = {Is Approximation Universally Defensive Against Adversarial Attacks in Deep Neural Networks?},
author = {Ayesha Siddique and Khaza Anuarul Hoque},
journal= {arXiv preprint arXiv:2112.01555},
year = {2022}
}
备注
Accepted for publication in DATE 2022