基于激活值范围监督的卷积神经网络硬件容错安全论证初探
机器学习
2021-09-08 v1
摘要
卷积神经网络（CNNs）已成为众多安全关键计算机视觉应用（包括人机交互与自动驾驶）中既定的一部分。实际部署需要保证其对于破坏底层平台内存的硬件软错误具有鲁棒性。基于先前观察到的激活裁剪技术的有效性，我们通过证明范围监督针对相关比特翻转是一种高可靠的故障检测器与缓解器（采用八指数位浮点数据表示），为分类器 CNN 构建了一个原型安全论证。我们进一步探索了新颖的非均匀范围限制方法，其有效抑制了静默数据损坏与不可纠正错误的概率。作为安全相关的端到端用例，我们在车辆分类场景中展示了我们所方法的好处，使用了 ResNet-50 与交通摄像头数据集 MIOVision。本工作提供的定量证据可被用以启发进一步且可能更为复杂的 CNN 安全论证。
引用
@article{arxiv.2108.07019,
title = {Towards a Safety Case for Hardware Fault Tolerance in Convolutional Neural Networks Using Activation Range Supervision},
author = {Florian Geissler and Syed Qutub and Sayanta Roychowdhury and Ali Asgari and Yang Peng and Akash Dhamasia and Ralf Graefe and Karthik Pattabiraman and Michael Paulitsch},
journal= {arXiv preprint arXiv:2108.07019},
year = {2021}
}
备注
8 pages, 7 figures