Дослідження застосування генетичних алгоритмів для змагальних атак на багатозадачні глибокі нейронні мережі

Abstract

У роботі запропоновано нову цільову багатоцільову змагальну модель атаки під назвою MAT та новий алгоритм навчання під назвою GAMAT, заснований на генетичних алгоритмах, для створення змагальних зображень, здатних цілеспрямовано впливати на MT-DNN. На основі симуляційних експериментів, розроблених з використанням набору даних Taskonomy, продемонстровано перевагу запропонованої атаки з точки зору метрики відстані пристосованості та кількості кадрів за секунду, на які впливає атака. Крім того, алгоритм навчання GAMAT має потенціал стати дуже ефективним алгоритмом навчання. Тому майбутня робота включатиме навчання та тестування варіантів GAMAT на більших наборах даних та більш віддалених POF, а також розробку масштабованих варіацій, які можуть краще використовувати переваги графічних процесорів

The paper proposes a new target multi-objective adversarial attack model called MAT and a new learning algorithm called GAMAT, based on genetic algorithms, for creating adversarial images capable of purposefully influencing MT-DNN. Based on simulation experiments developed using the Taskonomy dataset, the superiority of the proposed attack is demonstrated in terms of the fitness distance metric and the number of frames per second affected by the attack. Furthermore, the GAMAT training algorithm has the potential to become a very efficient training algorithm. Therefore, future work will include training and testing variants of GAMAT on larger datasets and more distant POFs, as well as developing scalable variations that can better take advantage of GPUs