[논문 리뷰] Hybrid Classical-Quantum Deep Learning Models for Autonomous Vehicle Traffic Image Classification Under Adversarial Attack

Reek Majumder, Sakib Mahmud Khan외 7명|arXiv (Cornell University)|2021. 08. 02.

Adversarial Robustness in Machine Learning참고 문헌 39인용 수 15

한 줄 요약

이 논문은 자율 주행 차량의 교통 표지판 분류를 위한 하이브리드 고전-양자 딥 러닝 모델을 제안하며, 적대적 공격에 대한 강건성을 향상시킨다. 사전 훈련된 ResNet18 기반과 양자 중첩 및 얽힘을 활용하는 양자 신경망을 조합함으로써, 특히 훈련 데이터가 제한된 상황에서 정확도와 저항성이 향상되는 결과를 얻는다.

ABSTRACT

Image classification must work for autonomous vehicles (AV) operating on public roads, and actions performed based on image misclassification can have serious consequences. Traffic sign images can be misclassified by an adversarial attack on machine learning models used by AVs for traffic sign recognition. To make classification models resilient against adversarial attacks, we used a hybrid deep-learning model with both the quantum and classical layers. Our goal is to study the hybrid deep-learning architecture for classical-quantum transfer learning models to support the current era of intermediate-scale quantum technology. We have evaluated the impacts of various white box adversarial attacks on these hybrid models. The classical part of hybrid models includes a convolution network from the pre-trained Resnet18 model, which extracts informative features from a high dimensional LISA traffic sign image dataset. The output from the classical processor is processed further through the quantum layer, which is composed of various quantum gates and provides support to various quantum mechanical features like entanglement and superposition. We have tested multiple combinations of quantum circuits to provide better classification accuracy with decreasing training data and found better resiliency for our hybrid classical-quantum deep learning model during attacks compared to the classical-only machine learning models.

연구 동기 및 목표

• 자율 주행 차량 인식 시스템에서 적대적 공격에 강건한 하이브리드 고전-양자 딥 러닝 아키텍처를 개발하는 것.
• 교통 표지판 데이터셋에서 다양한 화이트박스 적대적 공격 시나리오에 대한 양자 강화 모델의 성능을 평가하는 것.
• 고전 모델 대비 하이브리드 모델의 강건성과 정확도에 미치는 훈련 데이터 감소의 영향을 조사하는 것.
• 얽힘과 중첩과 같은 양자 역학적 특성이 분류 강건성 향상에 기여하는 방식을 탐구하는 것.
• 실세계 자율 주행 응용 분야에서 실용적인 양자 기계 학습의 중규모 양자 하드웨어 구현을 가능하게 하는 것.

제안 방법

• 고차원적 LISA 교통 표지판 이미지의 고전적 특징 추출기로 사전 훈련된 ResNet18 모델을 사용한다.
• ResNet18의 출력 특징은 단일 및 이중 큐비트 양자 게이트로 구성된 파arameterized 양자 회로에 입력된다.
• 양자 레이어는 중첩과 얽힘과 같은 양자 역학 원리를 활용하여 특징 표현을 향상시킨다.
• 이중 학습을 통해 하이브리드 모델을 훈련시키며, 고전 최적화를 통해 양자 회로 파라미터를 미세조정한다.
• 정확도와 공격에 대한 강건성을 극대화하는 구성이 되는 양자 회로 아키텍처를 여러 개 테스트한다.
• 화이트박스 설정에서 적대적 공격을 적용하여 모델의 저항성을 평가하며, 고전 모델과의 성능 비교를 수행한다.

실험 결과

연구 질문

• RQ1 하이브리드 고전-양자 딥 러닝 모델은 고전 모델 대비 교통 표지판 분류에서 어떤 방식으로 적대적 공격에 대한 강건성을 향상시키는가?
• RQ2 훈련 데이터 크기가 다양할 경우, 양자 강화 모델의 성능과 저항성에 어떤 영향을 미치는가?
• RQ3 어떤 양자 회로 구성이 적대적 공격 하에서 가장 높은 분류 정확도와 강건성을 제공하는가?
• RQ4 얽힘과 중첩과 같은 양자 특성이 모델의 강건성 향상에 얼마나 기여하는가?
• RQ5 제한된 데이터로 훈련된 하이브리드 모델은 자율 주행 차량 시스템의 실세계 적대적 조건에서도 높은 성능을 유지할 수 있는가?

주요 결과

• 하이브리드 고전-양자 모델은 LISA 교통 표지판 데이터셋에서 고전 모델 대비 화이트박스 적대적 공격에 대해 뛰어난 강건성을 보였다.
• 훈련 데이터가 감소한 상황에서도 적대적 흐름이 가해진 상황에서 높은 분류 정확도를 유지하여 일반화 능력 향상을 시사한다.
• 최적화된 얽힘과 게이트 순서를 가진 특정 양자 회로 구성이 강건성과 정확도 향상에 명백한 개선 효과를 보였다.
• 양자 레이어의 통합은 특징 표현을 향상시켜 적대적 노이즈 하에서도 더 나은 분류 구분 능력을 제공했다.
• 모델의 성능은 다양한 공격 유형에 걸쳐 안정적이었으며, 안전이 중요한 자율 주행 차량 시스템에의 구현 가능성을 확인했다.
• 결과적으로, 양자 기계 학습 구성 요소가 실세계 자원 제약 환경에서 고전 딥 러닝을 효과적으로 보완할 수 있음을 시사한다.