基于SVD的深度学习模型对抗鲁棒性研究

对抗攻击的出现对于深度神经网络(DNN)在现实场景中的大规模部署产生了巨大的威胁，尤其是在与安全相关的领域。目前已有的大多数防御方法都基于启发式假设，缺少对模型对抗鲁棒性的分析。如何提升DNN的对抗鲁棒性，并提升鲁棒性的可解释性和可信度，成为人工智能安全领域的重要一环。文中提出从奇异值分布的角度分析模型的对抗鲁棒性。研究发现，模型在对抗性环境下鲁棒性的提升伴随着更加平滑的奇异值分布。通过进一步分析表明，平滑的奇异值分布意味着模型的分类置信度来源更加多样，从而也具有更高的对抗鲁棒性。基于此分析，进一步提出了基于奇异值抑制SVS(Singular Value Suppress)的对抗训练方法。实验结果表明，该方法进一步提高了模型在对抗性环境下的鲁棒性，在面对强力白盒攻击方法PGD(Project Gradient Descent)时，在CIFAR10和SVHN数据集上分别能达到55.3%和54.51%的精度，超过了目前最具有代表性的对抗训练方法。     

移动边缘计算中基于深度强化学习的计算卸载调度方法

针对移动边缘计算中具有依赖关系的任务的卸载决策问题,提出一种基于深度强化学习的任务卸载调度方法,以最小化应用程序的执行时间。任务调度的过程被描述为一个马尔可夫决策过程,其调度策略由所提出的序列到序列深度神经网络表示,并通过近端策略优化(proximal policy optimization)方法进行训练。仿真实验表明,所提出的算法具有良好的收敛能力,并且在不同环境下的表现均优于所对比的六个基线算法,证明了该方法的有效性和可靠性。