RESQ：面向深度神经网络可靠性与安全性增强的统一框架
机器学习
2026-03-17 v1 人工智能
硬件体系结构
摘要
本工作提出一种统一的三阶段框架，用于生产具备公平故障抗性和攻击韧性的量化深度神经网络。第一阶段通过微调来提高抗攻击能力，使特征表示对小输入扰动不敏感。第二阶段通过在仿真比特翻转故障下进行故障感知微调来增强故障抗性。最后，引入轻量级后训练调整以集成量化，提高效率并进一步缓解故障敏感性，而不会降低抗攻击能力。在ResNet18、VGG16、EfficientNet和Swin-Tiny模型上的CIFAR-10、CIFAR-100和GTSRB实验表明，该方法在抗攻击能力上实现最高可达10.35%的提升，在故障抗性上实现最高可达12.47%的提升，同时保持量化网络的竞争性能。结果还表明，故障抗性和抗攻击韧性之间存在非对称性：提升故障抗性通常会增加对抗攻击的韧性，而增强的抗攻击韧性并不一定导致更高的故障抗性。
引用
@article{arxiv.2603.15413,
title = {RESQ: A Unified Framework for REliability- and Security Enhancement of Quantized Deep Neural Networks},
author = {Ali Soltan Mohammadi and Samira Nazari and Ali Azarpeyvand and Mahdi Taheri and Milos Krstic and Michael Huebner and Christian Herglotz and Tara Ghasempouri},
journal= {arXiv preprint arXiv:2603.15413},
year = {2026}
}