重新思考忆阻交叉阵列中的非理想性对神经网络对抗鲁棒性的作用
新兴技术
2021-04-29 v2 神经与进化计算
摘要
深度神经网络（DNNs）已被证明易受对抗攻击。忆阻交叉阵列能够高效执行矩阵-向量乘法（MVMs），被用于硬件上实现 DNNs。然而，交叉阵列非理想性一直被贬低，因为它们在执行 MVMs 时引起误差，导致 DNNs 中的计算精度损失。已有若干基于软件的防御被提出以使 DNNs 具有对抗鲁棒性。但此前没有工作展示交叉阵列非理想性在释放对抗鲁棒性方面的优势。我们表明，固有的硬件非理想性无需任何额外优化即可为映射后的 DNNs 带来对抗鲁棒性。我们使用基准数据集（CIFAR-10、CIFAR-100 与 Tiny Imagenet）在各种交叉阵列尺寸上评估了最先进 DNNs（VGG8 与 VGG16 网络）的对抗韧性。我们发现，交叉阵列非理想性在交叉阵列映射的 DNNs 中释放出的对抗鲁棒性（>10-20%）显著优于基线软件 DNNs。我们进一步将我们的方法与其他最先进的效率驱动型对抗防御的性能进行比较，发现我们的方法在降低对抗损失方面表现显著良好。
引用
@article{arxiv.2008.11298,
title = {Rethinking Non-idealities in Memristive Crossbars for Adversarial Robustness in Neural Networks},
author = {Abhiroop Bhattacharjee and Priyadarshini Panda},
journal= {arXiv preprint arXiv:2008.11298},
year = {2021}
}
备注
7 pages, 10 figures, 3 tables