利用片上微调缓解存内计算加速器的对抗攻击
机器学习
2021-04-14 v1
摘要
存内计算（CIM）被提出用于通过在模拟域中实现并行乘加来加速卷积神经网络（CNN）计算。然而，后续处理仍优选在数字域中执行。这使得模数转换器（ADC）在CIM架构中至关重要。一个缺点是工艺偏差引入的ADC误差。尽管研究正致力于改进ADC设计以减小失调，我们发现ADC误差引起的精度损失可通过模型权重微调恢复。除了补偿ADC失调外，片上权重微调可被利用为针对对抗攻击的额外保护，该攻击旨在通过被操纵的输入样本欺骗推理引擎。我们的评估结果表明，通过将模型权重适配于每个芯片特定的ADC失调模式，对抗攻击的可迁移性被抑制。对于受C&W方法攻击的芯片，CIFAR-10数据集的分类准确率将降至几乎0%。然而，当将类似生成的对抗样本应用于其他芯片时，VGG-8和DenseNet-40的准确率仍可分别保持超过62%和85%。
引用
@article{arxiv.2104.06377,
title = {Mitigating Adversarial Attack for Compute-in-Memory Accelerator Utilizing On-chip Finetune},
author = {Shanshi Huang and Hongwu Jiang and Shimeng Yu},
journal= {arXiv preprint arXiv:2104.06377},
year = {2021}
}