LuanVan.vnLuận Văn
Gửi thư

Các phương pháp đảm bảo tính chắc chắn cho một số mô hình học sâu

Luận văn · Thạc sĩ · năm 2023 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
Tác giảNguyễn Đức Anh
Người hướng dẫnPhạm Ngọc Hùng; Nguyễn Lê Minh
Cơ sở đào tạoĐại học Quốc gia Hà Nội
Năm2023
NguồnThư viện số Đại học Quốc gia Hà Nội · trang gốc

Tóm tắt

Mạng học sâu được sử dụng phổ biến trong bài toán phân loại ảnh. Mô hình học sâu là kết quả thu được khi học mạng học sâu từ bộ dữ liệu. Để đảm bảo chất lượng của mô hình học sâu, nhiều độ đo đã được đề xuất như độ chuẩn xác, độ chính xác và điểm số F1. Tuy nhiên, dù mô hình được kiểm thử kĩ càng bởi các độ đo này, nhiều nghiên cứu gần đây cho thấy mô hình có thể dễ dàng bị tấn công đối kháng. Tính chắc chắn của mô hình học sâu là khả năng mô hình nhận diện được chính xác nhãn của ảnh đầu vào khi ảnh này được thêm nhiễu đối kháng. Kẻ tấn công có thể thêm nhiễu đối kháng vào ảnh dự đoán đúng để ảnh bị nhận diện sai. Do đó, cải thiện tính chắc chắn được coi là một trong những giải pháp quan trọng để nâng cao chất lượng của mô hình học sâu. Cụ thể, luận án đã đạt được bốn kết quả chính như sau. Thứ nhất, luận án đề xuất phương pháp HA4FNN để cải thiện tỉ lệ thành công và hiệu năng thấp của DeepCheck khi kiểm thử mô hình nơ-ron truyền thẳng. Phương pháp HA4FNN sử dụng bộ giải phỏng đoán thay vì bộ giải SMT và loại bỏ việc duy trì trạng thái kích hoạt nơ-ron. Từ mô hình kiểm thử, HA4FNN chuyển mô hình này sang mã nguồn C, sau đó biên dịch và thực thi mã nguồn này với đầu vào là ảnh dự đoán đúng để lấy đường thi hành. Sau đó, thực thi tượng trưng chuyển đường thi hành thành hệ ràng buộc và dùng bộ giải phỏng đoán để tìm nghiệm. Nghiệm này tương ứng với ảnh đối kháng và có thể có trạng thái kích hoạt nơ-ron khác với ảnh dự đoán đúng. Thực nghiệm trên MNIST, Fashion-MNIST và bộ chữ cái viết tay cho thấy phương pháp HA4FNN có hiệu năng và tỉ lệ thành công vượt trội so với DeepCheck. Một công cụ đã được cài đặt để chứng minh hiệu quả của phương pháp HA4FNN. Thứ hai, luận án đề xuất phương pháp PatternAttack để cải thiện tính đa dạng và chất lượng ảnh đối kháng sinh bởi ATN. Tư tưởng chính của Patter- nAttack là xây dựng ATN khái quát có kiến trúc mô hình mã hóa tự động để thêm nhiễu đối kháng vào ảnh đầu vào theo các mẫu thêm nhiễu khác nhau, từ đó làm tăng tính đa dạng của ảnh đối kháng. Từ ảnh đối kháng sinh ra, PatternAttack sử dụng thuật toán tham lam để loại bỏ nhiễu dư thừa, từ đó tăng chất lượng ảnh đối kháng. Thực nghiệm trên MNIST và CIFAR-10 cho thấy ATN khái quát có thể tấn công mô hình học sâu với tỉ lệ thành công cao và thuật toán tham lam có khả năng cải thiện chất lượng ảnh đối kháng với tỉ lệ giảm nhiễu tốt. Một công cụ đã được cài đặt để chứng minh hiệu quả của PatternAttack.
Bản toàn văn lưu tại thư viện Đại học Quốc gia Hà Nội

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.