BriefGPT.xyz
Nov, 2017
攻击二值化神经网络
Attacking Binarized Neural Networks
HTML
PDF
Angus Galloway, Graham W. Taylor, Medhat Moussa
TL;DR
利用低精度的神经网络进行量化,可以通过减少内存消耗和优化位运算实现更高的效率。本文提出低精度神经网络的第三个优点是在一些对抗攻击中有更好的鲁棒性,最坏情况下的表现也可以与高精度模型媲美。作者着重于量化权重和激活到+-1的非缩放二进制神经网络,在黑盒和白盒实验中探究其应对逐步攻击的能力。该方法可以在不人为掩盖梯度的情况下保证模型的安全性。
Abstract
neural networks
with
low-precision
weights and activations offer compelling efficiency advantages over their full-precision equivalents. The two most frequently discussed benefits of
→