BriefGPT - AI 论文速递
·
SlowFormer：面向计算与能量效率的通用敌对修补攻击 —— 对推理高效视觉转换器的攻击
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
该文介绍了深度模型在推断计算方面的进展，但指出这些模型容易受到对抗贴片攻击的影响。攻击者通过优化一个贴片，将其粘贴到任意图像上可以增加模型的计算量和功耗。作者运行实验使用了三种不同的高效视觉转换器方法，显示在某些情况下，攻击者只需将一个只占图像面积的 8% 的贴片粘贴上即可将计算量增加到最大限度。同时，作者还展示了标准对抗性训练防御方法可以减少攻击的成功率。作者呼吁未来需要采用自适应高效的方法来降低深度模型的功耗，并开发更好的防御方法来对抗这种攻击。
🎯
关键要点
- 深度模型在推断计算方面取得了进展，减少了计算需求和功耗。
- 深度模型容易受到普适性对抗贴片攻击的影响。
- 攻击者通过优化贴片并粘贴到图像上，可以增加模型的计算量和功耗。
- 实验显示，攻击者只需将占图像面积8%的贴片粘贴上，即可最大化计算量。
- 标准对抗性训练防御方法可以减少攻击的成功率。
- 未来需要采用自适应高效的方法来降低深度模型的功耗。
- 希望研究人员能研究这些方法的强韧性，并开发更好的防御方法。
➡️
