論文の概要: HDTest: Differential Fuzz Testing of Brain-Inspired Hyperdimensional Computing

• arxiv url: http://arxiv.org/abs/2103.08668v1
• Date: Mon, 15 Mar 2021 19:23:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-08 01:51:48.537451
• Title: HDTest: Differential Fuzz Testing of Brain-Inspired Hyperdimensional Computing
• Title（参考訳）: HDTest:脳にインスパイアされた超次元コンピューティングのファズテスト
• Authors: Dongning Ma, Jianmin Guo, Yu Jiang, Xun Jiao
• Abstract要約: 脳インスパイアされた超次元コンピューティング(英: brain-inspired hyperdimensional computing、HDC)は、脳の認識を模倣し、完全に分散されたホログラフィック表現と(擬似)ランダム性を持つ超次元ベクトルを利用する新しい計算パラダイムである。 本稿では,稀な入力下での予期せぬ動作や誤動作を自動的に顕在化することにより,HDTestのHDCモデルの設計,実装,評価を行う。 我々はHDTestが、HDCモデルをうまく騙すことができる、無視できない摂動で何千もの逆入力を生成できることを示します。
• 参考スコア（独自算出の注目度）: 6.266573115746776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Brain-inspired hyperdimensional computing (HDC) is an emerging computational paradigm that mimics brain cognition and leverages hyperdimensional vectors with fully distributed holographic representation and (pseudo)randomness. Compared to other machine learning (ML) methods such as deep neural networks (DNNs), HDC offers several advantages including high energy efficiency, low latency, and one-shot learning, making it a promising alternative candidate on a wide range of applications. However, the reliability and robustness of HDC models have not been explored yet. In this paper, we design, implement, and evaluate HDTest to test HDC model by automatically exposing unexpected or incorrect behaviors under rare inputs. The core idea of HDTest is based on guided differential fuzz testing. Guided by the distance between query hypervector and reference hypervector in HDC, HDTest continuously mutates original inputs to generate new inputs that can trigger incorrect behaviors of HDC model. Compared to traditional ML testing methods, HDTest does not need to manually label the original input. Using handwritten digit classification as an example, we show that HDTest can generate thousands of adversarial inputs with negligible perturbations that can successfully fool HDC models. On average, HDTest can generate around 400 adversarial inputs within one minute running on a commodity computer. Finally, by using the HDTest-generated inputs to retrain HDC models, we can strengthen the robustness of HDC models. To the best of our knowledge, this paper presents the first effort in systematically testing this emerging brain-inspired computational model.
• Abstract（参考訳）: 脳インスパイアされた超次元コンピューティング(英: brain-inspired hyperdimensional computing、HDC)は、脳の認識を模倣し、完全に分散されたホログラフィック表現と(擬似)ランダム性を持つ超次元ベクトルを利用する新しい計算パラダイムである。 ディープニューラルネットワーク(DNN)のような他の機械学習(ML)手法と比較して、HDCは高エネルギー効率、低レイテンシ、ワンショット学習などいくつかの利点があり、幅広いアプリケーションにおいて有望な代替候補となっている。 しかし、HDCモデルの信頼性と堅牢性はまだ検討されていない。 本稿では,稀な入力下での予期せぬ動作や誤動作を自動的に顕在化することにより,HDTestのHDCモデルの設計,実装,評価を行う。 HDTestのコアアイデアは、ガイド付き差分ファズテストに基づいている。 hdcにおけるクエリハイパーベクトルと参照ハイパーベクトルの間の距離によって誘導されたhdtestは、元の入力を継続的に変更して、hdcモデルの不正確な振る舞いを誘発する新しい入力を生成する。 従来のMLテストメソッドと比較して、HDTestはオリジナルの入力を手動でラベル付けする必要はない。 手書きの数字の分類を例にとると、hdtestは何千もの逆入力を生成し、不可解な摂動でhdcモデルをうまく騙すことができる。 平均してHDTestは、コモディティコンピュータ上で1分以内に約400の逆入力を生成することができる。 最後に、HDTest生成した入力を用いてHDCモデルをトレーニングすることにより、HDCモデルの堅牢性を強化することができる。 本稿では,脳に触発された計算モデルを体系的にテストする最初の試みについて述べる。

関連論文リスト

• An Encoding Framework for Binarized Images using HyperDimensional Computing [0.0]
  本稿では,近傍のパターンの類似性を保ったバイナライズされた画像を符号化する,新しい軽量化手法を提案する。 この方法は、MNISTデータセットのテストセットで97.35%、Fashion-MNISTデータセットで84.12%に達する。
  論文  参考訳（メタデータ） (2023-12-01T09:34:28Z)
• AdaNPC: Exploring Non-Parametric Classifier for Test-Time Adaptation [64.9230895853942]
  ドメインの一般化は、ターゲットのドメイン情報を活用することなく、任意に困難にすることができる。 この問題に対処するためにテスト時適応(TTA)手法が提案されている。 本研究では,テスト時間適応(AdaNPC)を行うためにNon-Parametricを採用する。
  論文  参考訳（メタデータ） (2023-04-25T04:23:13Z)
• Boosted Dynamic Neural Networks [53.559833501288146]
  典型的なEDNNは、ネットワークバックボーンの異なる層に複数の予測ヘッドを持つ。 モデルを最適化するために、これらの予測ヘッドとネットワークバックボーンは、トレーニングデータのバッチ毎にトレーニングされる。 トレーニングと2つのフェーズでのインプットの異なるテストは、トレーニングとデータ分散のテストのミスマッチを引き起こす。 EDNNを勾配強化にインスパイアされた付加モデルとして定式化し、モデルを効果的に最適化するための複数のトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-30T04:23:12Z)
• HDTorch: Accelerating Hyperdimensional Computing with GP-GPUs for Design Space Exploration [4.783565770657063]
  我々は、ハイパーベクタ操作の拡張を備えたPyTorchベースのオープンソースのHDCライブラリであるHDTorchを紹介する。 我々は4つのHDCベンチマークデータセットを精度、実行時間、メモリ消費の観点から分析する。 我々はCHB-MIT脳波てんかんデータベース全体のHDトレーニングと推測分析を行った。
  論文  参考訳（メタデータ） (2022-06-09T19:46:08Z)
• TTAPS: Test-Time Adaption by Aligning Prototypes using Self-Supervision [70.05605071885914]
  本研究では,単体テストサンプルに適用可能な自己教師付きトレーニングアルゴリズムSwaVの新たな改良を提案する。 ベンチマークデータセットCIFAR10-Cにおいて,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-05-18T05:43:06Z)
• GraphHD: Efficient graph classification using hyperdimensional computing [58.720142291102135]
  本稿では,HDCを用いたグラフ分類のベースライン手法を提案する。 実世界のグラフ分類問題におけるGraphHDの評価を行った。 その結果,最新のグラフニューラルネットワーク (GNN) と比較すると,提案手法の精度は同等であることがわかった。
  論文  参考訳（メタデータ） (2022-05-16T17:32:58Z)
• EnHDC: Ensemble Learning for Brain-Inspired Hyperdimensional Computing [2.7462881838152913]
  本稿では,超次元コンピューティングの文脈において,アンサンブル学習を探求する最初の試みについて述べる。 本稿では,EnHDCと呼ばれる最初のアンサンブルHDCモデルを提案する。 本研究では,1つのHDC分類器に対して平均3.2%の精度向上を達成できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T09:54:00Z)
• Black-Box Diagnosis and Calibration on GAN Intra-Mode Collapse: A Pilot Study [116.05514467222544]
  現在、GAN(Generative Adversarial Network)は驚くべきリアリズムの画像を生成することができる。 懸念の1つは、最先端のGANの学習分布が依然としてモード崩壊に悩まされているかどうかである。 本稿では,GANのモード内崩壊を診断し,新たなブラックボックス設定でそれを校正する方法について検討する。
  論文  参考訳（メタデータ） (2021-07-23T06:03:55Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• HDXplore: Automated Blackbox Testing of Brain-Inspired Hyperdimensional Computing [2.3549478726261883]
  HDCは、実際の数値ではなく、神経活動の深い抽象的なパターンで計算する脳の動作メカニズムに基づく、新たなコンピューティングスキームである。 DNNのような従来のMLアルゴリズムと比較して、HDCはメモリ中心であり、モデルサイズが比較的小さく、コストが低く、ワンショット学習などの利点がある。 我々は,HDCモデルの予期せぬ動作や誤動作を明らかにするブラックボックス差分テストベースのフレームワークであるHDXploreを開発した。
  論文  参考訳（メタデータ） (2021-05-26T18:08:52Z)
• Adversarial Attacks on Brain-Inspired Hyperdimensional Computing-Based Classifiers [15.813045384664441]
  超次元コンピューティング(HDC)は、脳の認知を模倣し、ランダムなハイパーベクターを利用して特徴を表現し、分類タスクを実行する。 それらは、デバイス分類における従来のディープニューラルネットワーク(DNN)の魅力ある代替品として、あるいは代替品として認識されている。 しかし、HDC分類器の最先端の設計は、主にセキュリティに配慮したものであり、敵の入力に対する安全性と免疫に疑問を呈している。
  論文  参考訳（メタデータ） (2020-06-10T01:09:30Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。