PulseAugur
中
实时 06:57:45

GPU欠压可提高CNN对抗鲁棒性和能源效率

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种通过在训练期间降低GPU电压来增强卷积神经网络（CNN）对抗鲁棒性的方法。该技术引入了随机扰动，作为隐式正则化，提高了模型对对抗性攻击的抵御能力，同时降低了能耗。在MNIST和CIFAR-10数据集上对LeNet、VGG-6和MobileNetV3模型进行的实验表明，即使已经采用了对抗性训练，欠压训练也始终比标称电压下的标准训练具有更高的对抗准确性。这种硬件层面的方法提供了一种实用的方法，可以在不进行算法修改的情况下同时实现鲁棒性和能源效率。 AI

影响 提供了一种硬件层面的技术，以提高AI模型的安全性和降低运营成本。

排序理由 学术论文，详细介绍了一种提高模型鲁棒性的新颖方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

GPU欠压可提高CNN对抗鲁棒性和能源效率

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Behnam Omidi, Ahmad Tahmasivand, Husam Alsyouri, Saba Al-Sayouri, Chongzhou Fang, Ihsen Alouani, Khaled N. Khasawneh ·

    容错与强化：通过 GPU 降压实现 CNN 对抗鲁棒性

    arXiv:2608.20572v1 Announce Type: new Abstract: Convolutional Neural Networks (CNNs) face a dual challenge: vulnerability to adversarial attacks and prohibitive training cost. Adversarial training is effective but expensive, a burden that grows as learning shifts to the energy-co…

相关实体

相关话题