Core Concepts
적대적 기계 학습 모델의 강건성 향상은 탄소 배출 증가와 직접적인 관련이 있음을 실증적으로 보여준다.
Abstract
이 연구는 적대적 기계 학습 시스템의 탄소 발자국을 처음으로 조사했다. 연구 결과, 모델의 강건성과 탄소 배출 간에 직접적인 관련이 있음을 확인했다. 이를 바탕으로 저자들은 Robustness-Carbon Trade-off Index (RCTI)라는 새로운 지표를 제안했다. RCTI는 경제학의 탄력성 개념을 차용하여 모델의 강건성 향상에 따른 탄소 배출 변화를 측정한다. 실험에서는 회피 공격에 대한 강건성과 성능, 탄소 배출 간의 상호작용을 분석했다. 결과적으로 강건성 향상을 위해서는 상당한 환경적 비용이 수반되지만, 적절한 균형을 찾으면 환경 친화적인 강건한 모델을 개발할 수 있음을 보여주었다.
Stats
기준 모델의 정확도는 98.42%이지만, 공격 매개변수 ϵ이 0.5로 증가하면 정확도가 0.31%로 크게 감소한다.
강건 모델의 경우 ϵ = 0.1에서 정확도가 95.06%로, 기준 모델보다 높은 수준을 유지한다.
기준 모델의 탄소 배출량은 ϵ = 0에서 3.74E-06 gCO2/kWh이지만, ϵ = 0.5에서 0.000343 gCO2/kWh로 증가한다.
강건 모델의 탄소 배출량은 ϵ = 0에서 8.75E-06 gCO2/kWh, ϵ = 0.5에서 0.000499 gCO2/kWh로 증가한다.
Quotes
"적대적 기계 학습의 광범위한 채택은 상당한 에너지 사용과 탄소 배출로 인해 지속 가능성 문제를 야기했다."
"모델의 강건성 향상을 위해서는 추가적인 계산 자원과 네트워크 보안 조치가 필요하므로, 이로 인한 환경적 영향이 악화된다."