Fortschritte bei gehirninspirierten tiefen neuronalen Netzwerken zur Abwehr von Angriffen

Tiefe konvolutionale neuronale Netzwerke (DCNNs) haben beeindruckende Leistungen in der Bildverarbeitung, Objekterkennung usw. erzielt. Dennoch sind sie anfällig für angreifende Attacken und interferierende Störungen. Angreifende Attacken können DCNN-Modelle durch Manipulation der Eingabedaten mit kleinen Störungen in die Irre führen, was Sicherheitsrisiken für Anwendungen intelligenter Systeme verursacht. Im Vergleich dazu haben diese kleinen Störungen einen sehr begrenzten wahrnehmbaren Einfluss auf Menschen. Daher hat die Forschung an gehirninspirierten, widerstandsfähigen Modellen gegen Angriffe zunehmend an Bedeutung gewonnen. Ausgehend von den Konzepten und Schema der angreifenden Attacken präsentieren wir eine Übersicht über die konventionellen Methoden zur Abwehr von Angriffen und vergleichen die Vorteile und Unterschiede zwischen gehirninspirierten robusten neuronalen Netzwerken und den konventionellen Abwehrmethoden gegen Angriffe. Wir überprüfen zudem die bestehenden, widerstandsfähigen DCNN-Modelle, einschließlich Methoden, die von frühen visuellen Systemen inspiriert und durch neuronale Signale überwacht werden. Repräsentative Beispiele haben die Wirksamkeit gehirninsperierter Methoden zur Gestaltung widerstandsfähiger Modelle validiert, die der weiteren Forschung und Entwicklung von gehirninspirierten robusten tiefen konvolutionalen neuronalen Netzwerken und den Anwendungen intelligenter Systeme zugutekommen könnten.