压缩与否:理解对抗攻击与神经网络压缩之间的相互作用
计算机视觉与模式识别
2018-10-02 v1
摘要
随着深度神经网络(DNNs)的广泛使用,剪枝与量化模型在边缘设备上已变得无处不在;此类压缩 DNN 因降低计算需求而流行。与此同时,近期研究表明对抗样本能有效使 DNN 误分类。因此,我们研究了对抗样本在未压缩与压缩 DNN 之间的可迁移程度。我们发现对抗样本对于剪枝与量化模型均保持可迁移性。对于剪枝,由重度剪枝模型生成的对抗样本对未压缩模型仍然有效。对于量化,我们发现对抗样本的可迁移性对整数精度高度敏感。
引用
@article{arxiv.1810.00207,
title = {Non-local NetVLAD Encoding for Video Classification},
author = {Yongyi Tang and Xing Zhang and Jingwen Wang and Shaoxiang Chen and Lin Ma and Yu-Gang Jiang},
journal= {arXiv preprint arXiv:1810.00207},
year = {2018}
}
备注
ECCV2018 workshop on YouTube-8M Large-Scale Video Understanding