Core Concepts
적대적 훈련에 대한 신경망 구조 탐색의 벤치마크와 이론적 보장을 제공한다.
Abstract
이 논문은 적대적 훈련에 대한 신경망 구조 탐색(NAS) 연구를 위한 두 가지 주요 기여를 제시한다.
첫째, NAS-Bench-201 검색 공간에서 6,466개의 신경망 구조에 대한 깨끗한 정확도와 강건한 정확도를 포함하는 포괄적인 데이터셋인 NAS-RobBench-201을 공개한다. 이 벤치마크는 이미지 데이터셋(CIFAR-10/100, ImageNet-16-120)에 대한 적대적 훈련 결과를 제공하며, 107,000 GPU 시간이 소요되었다.
둘째, 신경 탄젠트 커널(NTK) 도구를 활용하여 다목적 적대적 훈련 하에서 깨끗한 정확도와 강건한 정확도에 대한 일반화 이론을 수립한다. 이 이론적 결과는 완전 연결 신경망(FCNN)과 합성곱 신경망(CNN)을 포괄하며, 활성화 함수 탐색, 스킵 연결 탐색, 필터 크기 탐색을 포함한다. 이 분석은 깨끗한 정확도가 부분적으로 깨끗한 NTK와 강건한 NTK에 의해 결정되는 반면, 강건한 정확도는 항상 강건한 NTK와 두 번 교란된 버전의 NTK에 의해 영향을 받는다는 것을 보여준다.
전반적으로, 이 연구는 신뢰할 수 있는 재현성, 효율적인 평가 및 이론적 기반을 통해 강건한 구조 탐색 분야에서 NAS 커뮤니티에 크게 기여할 것으로 기대된다.
Stats
깨끗한 정확도와 강건한 정확도 사이의 상관관계는 낮은 순위에서는 잘 유지되지만 높은 순위에서는 차이가 존재한다.
3개 데이터셋(CIFAR-10/100, ImageNet-16-120) 간 강건한 정확도 기반 구조 순위는 유사하다.
적대적 훈련 하에서 찾은 구조가 깨끗한 정확도 기반 구조보다 더 강건하다.
Quotes
"적대적 훈련에 대한 신경망 구조 탐색의 이론적 보장은 여전히 명확하지 않다."
"적대적 훈련에 대한 벤치마크의 부재는 강건한 NAS 알고리즘 개발을 가속화하고 표준화하는 데 장애가 되고 있다."