开发了一个新框架，以帮助优化对抗鲁棒机器学习系统的硬件和超参数选择。该框架使用加速失效时间（AFT）模型来量化硬件选择、批次大小和训练轮次等因素对模型生存时间的影响。实验表明，与V100相比，Nvidia L4 GPU在更低的成本下显著提高了对抗生存时间，这表明昂贵的硬件不总是提高鲁棒性所必需的。研究还发现，推理延迟比训练时间或硬件配置更能预测对抗鲁棒性。 AI
影响 提供了一种经济高效的方法来选择硬件和调整模型以提高对抗鲁棒性，从而可能降低AI系统的部署成本。
排序理由 学术论文，详细介绍了新框架和实验结果。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
