POPQORN: 循环神经网络鲁棒性量化
针对计算能力有限的设备,本文研究了正交循环神经网络(ORNNs)的量化问题,并提出了通过后训练量化和量化感知训练方法来实现量化正交 RNNs(QORNNs),实验结果表明量化感知训练比后训练量化更有效,最高效的模型在各种标准测试中达到与精确度 ORNN 和 LSTM 相似的结果,即使使用了 3 位量化。
Feb, 2024
通过对 ImageNet 上的广泛实验,我们发现量化技术在部署深度神经网络时,虽然对于对抗性攻击具有更高的稳健性,但更容易受到自然噪声和系统噪声等噪声的影响。特别的,脉冲噪声和最邻近插值对量化模型影响最大,我们的研究有助于进一步提升模型的稳健性,使其能够在真实场景中部署应用。
Apr, 2023
该研究提出了一种概率证明框架 PROVEN,用于验证神经网络在输入加噪时的鲁棒性,可证明分类器的 top-1 预测在受限的 Lp 范数扰动下不会发生改变,证书是基于现有的神经网络鲁棒性验证框架,该方法在 MNIST 和 CIFAR 神经网络模型的实验中取得了 75% 的提升。
Dec, 2018
通过对 ImageNet 上的各种噪声(对抗性攻击、自然扰动和系统噪声)进行了全面评估,我们得出了关于量化模型在各种场景下的鲁棒性的宝贵见解:(1)量化模型在对抗性鲁棒性方面表现更好,但对自然扰动和系统噪声更加脆弱;(2)一般来说,增加量化位宽会导致对抗性鲁棒性降低,自然鲁棒性增强,系统鲁棒性增加;(3)在扰动方法中,由 extit {脉冲噪声} 和 extit {玻璃模糊} 对量化模型的影响最大,而 extit {亮度} 的影响最小;(4)在系统噪声中, extit {最近邻插值} 的影响最大,而双线性插值、立方插值和区域插值的影响最小。我们的研究推动了模型的鲁棒量化及其在实际场景中的部署。
Aug, 2023
本文研究了在保证噪声攻击后的量化神经网络的训练和认证问题,并提出了一个能够完全利用 GPU 加速的 QA-IBP 训练方法和验证流程,大大优于现有方法,已成为量化神经网络鲁棒性训练和认证新的标准。
Nov, 2022
该研究旨在解决如何创建可部署在资源受限的嵌入式设备上的精确、稳健、小型的深度神经网络模型的挑战,并报告了使用自动量化感知训练框架 QKeras 训练的鲁棒性小型 DNN 模型的结果,该模型稳健性能显著优于现有基准测试。
Apr, 2023
本文提出了一种有效的量化方法,可用于将循环神经网络(包括 LSTM,GRU 和 ConvLSTM)部署在 FPGA 和移动平台上,同时在 IMDB 情感分析和移动 MNIST 视频帧预测等数据集上取得了有希望的成果。
Feb, 2018
该研究提出了一种定量指标来评估神经网络模型的内在稳健性,并通过损失可视化的方式解释了对抗攻击和防御机制。该指标具有快速生成、结构和参数规模无关、可靠性高的优点,并提供了一种相对于不同测试设置不变的评估方法。
May, 2019