[논문 리뷰] A Noise-Sensitivity-Analysis-Based Test Prioritization Technique for Deep Neural Networks

Long Zhang, Xuechao Sun외 2명|arXiv (Cornell University)|2019. 01. 01.

Adversarial Robustness in Machine Learning참고 문헌 34인용 수 23

한 줄 요약

이 논문은 확률 레이블 차이를 사용하여 적대적 편향에 대한 민감도 분석 기반의 테스트 우선순위 지정 기법(NSATP)을 제안한다. NSATP는 확률 거리 측도—특히 확률 차이—를 통해 노이즈 민감도를 계산함으로써, 적대적 예제를 효과적으로 생성할 가능성이 높은 입력을 우선순위로 정렬한다. 실험 결과, 높은 민감도는 딥 네ural 네트워크(DNN)를 속이는 데 성공하는 데 강한 상관관계를 보였다.

ABSTRACT

Deep neural networks (DNNs) have been widely used in the fields such as natural language processing, computer vision and image recognition. But several studies have been shown that deep neural networks can be easily fooled by artificial examples with some perturbations, which are widely known as adversarial examples. Adversarial examples can be used to attack deep neural networks or to improve the robustness of deep neural networks. A common way of generating adversarial examples is to first generate some noises and then add them into original examples. In practice, different examples have different noise-sensitive. To generate an effective adversarial example, it may be necessary to add a lot of noise to low noise-sensitive example, which may make the adversarial example meaningless. In this paper, we propose a noise-sensitivity-analysis-based test prioritization technique to pick out examples by their noise sensitivity. We construct an experiment to validate our approach on four image sets and two DNN models, which shows that examples are sensitive to noise and our method can effectively pick out examples by their noise sensitivity.

연구 동기 및 목표

• 적대적 예제 생성의 비효율성 문제를 해결하기 위해, 많은 편향이 실패하는 이유는 예제의 노이즈 민감도가 낮기 때문이다.
• 작은 편향에 더 취약한 예제를 식별하고 우선순위를 정함으로써, 적대적 공격의 성공률을 높이기 위해.
• 딥 네럴 네트워크(DNN)의 확률 레이블을 기반으로 한 노이즈 민감도 분석에 기반한 테스트 우선순위 지정 기법을 개발하기 위해.
• 노이즈 민감도를 측정하는 데 사용되는 거리 측도—확률 차이, 엔트로피, 분산—간의 효과성을 평가하기 위해.
• 일반화성을 확보하기 위해 다양한 데이터셋과 DNN 아키텍처에서 방법의 유효성을 검증하기 위해.

제안 방법

• NSATP는 각 입력 예제에 대해 훈련된 DNN로부터 확률 벡터를 수집한다.
• 세 가지 거리 측도—확률 차이, 확률 엔트로피, 확률 분산—를 사용하여 원본 및 편향된 확률 벡터 간의 거리를 측정함으로써 노이즈 민감도를 계산한다.
• 노이즈 민감도 점수에 따라 예제를 순위 매기며, 높은 점수는 더 높은 취약성을 의미한다.
• 편향은 이미지당 네 개의 무작위로 선택된 픽셀을 수정하여 적용되며, 소규모 적대적 노이즈를 시뮬레이션한다.
• 기울기 또는 역전파를 요구하지 않고, 모델의 출력 신뢰도(확률 레이블)를 활용하여 내재된 민감도를 추론한다.
• 성능 평가를 위해 네 개의 이미지 데이터셋과 두 개의 DNN 모델을 사용하여 다양한 환경에서 실험을 수행한다.

실험 결과

연구 질문

• RQ1 딥 네럴 네트워크(DNN)의 확률 레이블 출력만을 사용하여 예제의 내재적 노이즈 민감도를 효과적으로 순위 매길 수 있는가?
• RQ2 확률 차이, 엔트로피, 분산 중 어떤 거리 측도가 적대적 성공을 가장 정확하게 예측하는가?
• RQ3 높은 노이즈 민감도는 효과적인 적대적 예제를 생성할 가능성이 더 높은가?
• RQ4 노이즈 민감도 기반의 우선순위 지정 방법의 성능은 다양한 데이터셋과 DNN 아키텍처에서 일관된가?
• RQ5 이 방법을 통해 효과가 없는 편향의 수를 줄여 성공적인 적대적 예제 생성에 필요한 횟수를 줄일 수 있는가?

주요 결과

• 예제 간 노이즈 민감도에 상당한 차이가 있으며, 높은 민감도를 보이는 예제는 소규모 편향으로 쉽게 속임을 당한다.
• 확률 차이 측도가 확률 엔트로피와 분산보다 효과적으로 효과적인 적대적 예제를 생성할 가능성이 높은 예제를 식별하는 데 뛰어났다.
• NSATP는 높은 노이즈 민감도를 보이는 예제가 최소한의 노이즈로 더 자주 속임을 입는 방식으로 효과적으로 우선순위를 정했다.
• 이 방법은 네 개의 이미지 데이터셋과 두 종류의 DNN 모델에서 일관된 성능을 보이며, 강건성과 일반화 능력을 입증했다.
• 기울기 계산이나 모델 내부 분석을 요구하지 않고도 확률 레이블만으로도 효과적인 노이즈 민감도 추정이 가능했다.
• 세 번의 실험 반복 결과가 일관되게 유사했으며, 연구 결과의 신뢰성을 뒷받침했다.