講演名 | 2022-11-30 敵対的サンプル攻撃対策をVitis-AIで実現するためのモデル量子化手法の実装と評価 福田 悠太(立命館大), 吉田 康太(立命館大), 藤野 毅(立命館大), |
---|---|
PDFダウンロードページ | PDFダウンロードページへ |
抄録(和) | 深層ニューラルネットワーク(DNN)では,敵対的サンプル(Adversarial examples, AEs)生成攻撃がセキュリティ脅威となっており,その対策の一つとしてAdversarial training(AT)がある. ATでは,DNNの学習にAEsを用いることで,AEsに対して堅牢なDNNモデルを構築する. 一方,FPGA等のエッジデバイスでDNNを動作させるためにはモデルパラメータを一般的に用いられている32bitから8bitに量子化する必要があるが,ATモデルの量子化手順によってはAEs生成攻撃に対する耐性が低下することが報告されている. 我々は以前,量子化手順にATを導入することでATの効果を維持しつつDNNの量子化を行うQuantization aware adversarial training (QAAT)を提案した. 本稿ではXilinx 社が提供するVitis-AIにQAATを実装し,FPGA上で評価を行う. 実験ではZynq UltraScale+が搭載されている評価用ボードZCU104上でQAATモデルを動作させ,ATモデルと同等のAEs生成攻撃に対するロバスト性が得られたことを報告する. |
抄録(英) | Adversarial examples (AEs) are security threats in deep neural networks (DNNs). One of the countermeasures is adversarial training (AT), and it trains DNNs by using a training dataset containing AEs to achieve robustness against AEs. On the other hand, it has been reported that the robustness of AT is lost when it quantizes AT-trained model parameters from the commonly used 32-bit floating point to 8-bit integer number to run DNN on edge devices such as FPGA. In a previous study, we pointed out that the cause is in a fine-tuning process in the quantization method that uses natural samples to deal with quantization errors. We have proposed quantization-aware adversarial training (QAAT) to address the problem, which optimizes DNNs by conducting AT in quantization flow. In this paper, we construct a QAAT model using Vitis-AI provided by Xilinx. We actually run on the evaluation board ZCU104, which is equipped with Zynq UltraScale+, and we evaluate the robustness of a QAAT-trained model against AEs. |
キーワード(和) | 敵対的サンプル生成攻撃 / Adversarial training / Vitis-AI / FPGA |
キーワード(英) | Adversarial examples / Adversarial training / Vitis-AI / FPGA |
資料番号 | VLD2022-51,ICD2022-68,DC2022-67,RECONF2022-74 |
発行日 | 2022-11-21 (VLD, ICD, DC, RECONF) |
研究会情報 | |
研究会 | VLD / DC / RECONF / ICD / IPSJ-SLDM |
---|---|
開催期間 | 2022/11/28(から3日開催) |
開催地(和) | 金沢市文化ホール |
開催地(英) | Kanazawa Bunka Hall |
テーマ(和) | デザインガイア2022 -VLSI設計の新しい大地- |
テーマ(英) | Design Gaia 2022 -New Field of VLSI Design- |
委員長氏名(和) | 池田 奈美子(NTT) / 土屋 達弘(阪大) / 佐野 健太郎(理研) / 高橋 真史(キオクシア) / 越智 裕之(立命館大) |
委員長氏名(英) | Minako Ikeda(NTT) / Tatsuhiro Tsuchiya(Osaka Univ.) / Kentaro Sano(RIKEN) / Masafumi Takahashi(Kioxia) / Hiroyuki Ochi(Ritsumeikan Univ.) |
副委員長氏名(和) | 中武 繁寿(北九州市大) / 細川 利典(日大) / 山口 佳樹(筑波大) / 泉 知論(立命館大) / 池田 誠(東大) |
副委員長氏名(英) | Shigetoshi Nakatake(Univ. of Kitakyushu) / Toshinori Hosokawa(Nihon Univ.) / Yoshiki Yamaguchi(Tsukuba Univ.) / Tomonori Izumi(Ritsumeikan Univ.) / Makoto Ikeda(Univ. of Tokyo) |
幹事氏名(和) | 宮村 信(ナノブリッジ・セミコンダクター) / 今井 雅(弘前大) / 新井 雅之(日大) / 難波 一輝(千葉大) / 小林 悠記(NEC) / 佐藤 幸紀(豊橋技科大) / 新居 浩二(TSMCデザインテクノロジージャパン) / 宮地 幸祐(信州大) / 川村 一志(東工大) / 今川 隆司(明大) / 細田 浩希(ソニーセミコンダクタソリューションズ) / 田中 勇気(日立) |
幹事氏名(英) | Makoto Miyamura(NBS) / Masashi Imai(Hirosaki Univ.) / Masayuki Arai(Nihon Univ.) / Kazuteru Namba(Chiba Univ.) / Yuuki Kobayashi(NEC) / Yukinori Sato(Toyohashi Univ. of Tech.) / Koji Nii(TSMC) / Kosuke Miyaji(Shinshu Univ.) / Kazushi Kawamura(Tokyo Inst. of Tech.) / Takashi Imagawa(Meiji Univ.) / Hiroki Hosoda(Sony Semiconductor Solutions) / Yuki Tanaka(HITACHI) |
幹事補佐氏名(和) | 西元 琢真(日立) / / 竹村 幸尚(インテル) / 長名 保範(琉球大学) / 吉原 義昭(キオクシア) / 塩見 準(阪大) / 久保木 猛(ソニーセミコンダクタソリューションズ) |
幹事補佐氏名(英) | Takuma Nishimoto(Hitachi) / / Yukitaka Takemura(INTEL) / Yasunori Osana(Ryukyu Univ.) / Yoshiaki Yoshihara(KIOXIA) / Jun Shiomi(Osaka Univ.) / Takeshi Kuboki(Sony Semiconductor Solutions) |
講演論文情報詳細 | |
申込み研究会 | Technical Committee on VLSI Design Technologies / Technical Committee on Dependable Computing / Technical Committee on Reconfigurable Systems / Technical Committee on Integrated Circuits and Devices / Special Interest Group on System and LSI Design Methodology |
---|---|
本文の言語 | JPN |
タイトル(和) | 敵対的サンプル攻撃対策をVitis-AIで実現するためのモデル量子化手法の実装と評価 |
サブタイトル(和) | |
タイトル(英) | Evaluation of Model Quantization Method on Vitis-AI for Mitigating Adversarial Examples |
サブタイトル(和) | |
キーワード(1)(和/英) | 敵対的サンプル生成攻撃 / Adversarial examples |
キーワード(2)(和/英) | Adversarial training / Adversarial training |
キーワード(3)(和/英) | Vitis-AI / Vitis-AI |
キーワード(4)(和/英) | FPGA / FPGA |
第 1 著者 氏名(和/英) | 福田 悠太 / Yuta Fukuda |
第 1 著者 所属(和/英) | 立命館大学(略称:立命館大) Ritsumeikan University(略称:Ritsumeikan Univ.) |
第 2 著者 氏名(和/英) | 吉田 康太 / Kota Yoshida |
第 2 著者 所属(和/英) | 立命館大学(略称:立命館大) Ritsumeikan University(略称:Ritsumeikan Univ.) |
第 3 著者 氏名(和/英) | 藤野 毅 / Takeshi Fujino |
第 3 著者 所属(和/英) | 立命館大学(略称:立命館大) Ritsumeikan University(略称:Ritsumeikan Univ.) |
発表年月日 | 2022-11-30 |
資料番号 | VLD2022-51,ICD2022-68,DC2022-67,RECONF2022-74 |
巻番号(vol) | vol.122 |
号番号(no) | VLD-283,ICD-284,DC-285,RECONF-286 |
ページ範囲 | pp.182-187(VLD), pp.182-187(ICD), pp.182-187(DC), pp.182-187(RECONF), |
ページ数 | 6 |
発行日 | 2022-11-21 (VLD, ICD, DC, RECONF) |