MMApr, 2024
基于深度学习的无线分类器的对抗鲁棒性研究
Adversarial Robustness of Distilled and Pruned Deep Learning-based Wireless Classifiers
Nayan Moni Baishya, B. R. Manoj
TL;DR为应对联合问题,本研究提出两种优化的深度学习模型通过知识蒸馏和网络修剪,并引入计算高效的对抗训练过程来提高模型的鲁棒性,实验结果表明这两种优化和对抗训练模型在白盒攻击下比标准模型更具鲁棒性,在干净样本上也能达到更高的准确率,从而为边缘应用的深度学习解决方案的可靠性提供有效支持。