이미지 데이터 변조의 적대적 공격에 대한 CNN과 SNN의 강건성 비교연구
- 주제(키워드) Convolutional Neural Network , Spiking Neural Network , Adversarial Attack , CIFAR-10 Dataset , Grad-CAM , Spike Activation Map
- 주제(DDC) 004
- 발행기관 아주대학교 일반대학원
- 지도교수 조위덕
- 발행년도 2024
- 학위수여년월 2024. 2
- 학위명 석사
- 학과 및 전공 일반대학원 지식정보공학과
- 실제URI http://www.dcollection.net/handler/ajou/000000033680
- 본문언어 한국어
- 저작권 아주대학교 논문은 저작권에 의해 보호받습니다.
초록/요약
본 연구는 CIFAR-10 데이터셋을 사용하여 적대적 공격에 대한 컨볼루셔널 신경망(CNN)과 스파이킹 신경망(SNN)의 강건성을 비교 분석한다. 연구에서는 Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), Carlini & Wagner (C&W), Deepfool 등 다양한 적대적 공격 방법을 사용했다. 이러한 공격은 하이퍼파라미터를 변화시키며 테스트되었다. 연구의 초점은 각 적대적 공격에 대한 하이퍼파라미터 설정이 다른 경우 SNN과 CNN의 정확도를 비교하는 것이다. 또한, CNN에 대해서는 Gradient-weighted Class Activation Mapping (Grad-CAM)을, SNN에 대해서는 Spike Activation Mapping (SAM)을 사용하여 결과를 시각화함으로써, 적대적 조건에서의 성능을 종합적으로 비교한다.
more초록/요약
This study conducts a comparative analysis of the robustness of Convolutional Neural Networks (CNNs) and Spiking Neural Networks (SNNs) against adversarial attacks using the CIFAR-10 dataset. We employed various adversarial attack methods, including Fast Gradient Sign Method (FGSM), Projected Gradient Descent (PGD), Carlini & Wagner (C&W), and Deepfool. These attacks were tested by varying their hyperparameters. The study focuses on comparing the accuracy of SNNs and CNNs under different hyperparameter settings for each adversarial attack. Additionally, the results were visualized using Gradient-weighted Class Activation Mapping (Grad-CAM) for CNNs and Spike Activation Mapping (SAM) for SNNs, providing a comprehensive comparison of their performance under adversarial conditions.
more목차
I 서론(Introduction) 1
A. 연구 배경 1
B. 연구 목적 1
II 예비 연구(Preliminaries) 3
A. 딥러닝과 신경망의 기본 개념 3
B. CNN (Convolutional Neural Network) 4
C. SNN (Spiking Neural Network) 5
D. 공격 시나리오 개요 (FGSM, PGD, C&W, Deepfool) 7
1. FGSM (Fast Gradient Sign Method) 7
2. PGD (Projected Gradient Descent) 7
3. C&W (Carlini & Wagner) 8
4. Deepfool 9
E. Grad-CAM (Gradient-weighted Class Activation Mapping) 10
F. SAM (Spiking Activity Map) 11
III 연구 방법론(Research Methodology) 13
A. 데이터 세트 13
B. CNN과 SNN의 아키텍처 설계 14
1. CNN (Convolutional Neural Network) 14
2. SNN (Spike Neural Network) 15
C. Leaky Integrate-and-Fire (LIF) 모델 16
D. Surrogate Gradient Descent 방법론 17
E. Bayesian 최적화를 통한 하이퍼파라미터 튜닝 18
IV 실험 및 결과(Experiments and Results) 20
A. 훈련 과정 및 최적화 전략 20
1. CNN 훈련 과정 및 최적화 20
2. SNN 훈련 과정 및 최적화 22
B. 공격 시나리오별 분류 정확도 24
1. FGSM 24
2. PGD 25
3. C&W 27
4. Deepfool 28
C. Grad-CAM 및 SAM을 통한 시각적 분석 36
1. Grad-CAM with CNN 36
(A) FGSM 36
(B) PGD 37
(C) C&W 39
(D) Deepfool 40
2. SAM with SNN 42
(A) FGSM 42
(B) PGD 44
(C) C&W 47
(D) Deepfool 49
V 고찰(Discussion) 52
A. 결과 해석 52
1. FGSM Accuracy 52
2. PGD Accuracy 52
3. C&W Accuracy 53
4. Deepfool Accuracy 53
5. FGSM Grad-CAM(CNN) 53
6. PGD Grad-CAM(CNN) 54
7. C&W Grad-CAM(CNN) 54
8. Deepfool Grad-CAM(CNN) 55
9. FGSM SAM(SNN) 55
10. PGD SAM(SNN) 56
11. C&W SAM(SNN) 56
12. Deepfool SAM(SNN) 56
B. SNN의 장단점 58
C. 다른 논문과의 비교 59
D. 연구의 한계와 추가 연구 방향 60
1. 연구의 한계 60
2. 추가 연구 방향 61
VI 결론(Conclusion) 63
A. 주요 결론 63
B. 의견 64
VII 참고문헌(References) 66
