深度神經(jīng)網(wǎng)絡(luò)是一種使用數(shù)學(xué)模型處理圖像以及其他數(shù)據(jù)的多層系統(tǒng)，而且目前已經(jīng)發(fā)展為人工智能的重要基石。

深度神經(jīng)網(wǎng)絡(luò)得出的結(jié)果看似復(fù)雜，但同樣有可能受到誤導(dǎo)。而這樣的誤導(dǎo)輕則致使其將一種動物錯誤識別為另一種動物，重則在自動駕駛汽車上將停車標志誤解為正常前進。

休斯敦大學(xué)的一位哲學(xué)家在發(fā)表于《自然機器智能》上的一篇論文中提到，關(guān)于這些假想問題背后的普遍假設(shè)，在于誤導(dǎo)性信息可能給這類網(wǎng)絡(luò)的可靠性造成嚴重影響。

隨著機器學(xué)習(xí)以及其他形式的人工智能越來越深入滲透至社會，其用途也開始涵蓋從ATM機到網(wǎng)絡(luò)安全系統(tǒng)的廣泛領(lǐng)域。哲學(xué)系副教授Cameron Buckner表示，正是這種普及，讓了解明顯錯誤的來源變得無比重要。研究人員們將這類信息稱為“對抗性示例”，指當深度神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)過程中遇到訓(xùn)練輸入之外的其他信息時，則很有可能總結(jié)出錯誤的結(jié)論、最終引發(fā)圖像或數(shù)據(jù)誤判。之所以被表述為“對抗性”，是因為這樣的問題往往只能由另一機器學(xué)習(xí)網(wǎng)絡(luò)所產(chǎn)生或發(fā)現(xiàn)。作為機器學(xué)習(xí)領(lǐng)域中的一種前沿技術(shù)，對抗雙方將不斷升級自身能力，以更復(fù)雜的方法嘗試實現(xiàn)干擾與反干擾。

Buckner提到，“但這種對抗有時候可能源自人為誤導(dǎo)，因此要想更好地了解神經(jīng)網(wǎng)絡(luò)的可靠性，我們必須對誤導(dǎo)問題做出深入研究?！?/p>

換言之，這種誤導(dǎo)結(jié)果很可能源自網(wǎng)絡(luò)需要處理的內(nèi)容、與所涉及的實際模式之間的某種相互作用所引發(fā)。這與傳統(tǒng)意義上的誤導(dǎo)，似乎還不完全是同一種概念。

Buckner寫道，“理解對抗性整合的含義，可能需要探索第三種可能性：其中至少有一部分模式屬于人為創(chuàng)造。因此，目前的難題在于，直接丟棄這些模式可能有損模型學(xué)習(xí)，但直接使用則具有潛在風險?！?/p>

引發(fā)機器學(xué)習(xí)系統(tǒng)錯誤的對抗性事件除了無心而發(fā)，更可能是有意為之。Buckner認為這才是更嚴重的風險，“意味著惡意攻擊者可能會欺騙某些本應(yīng)可靠的系統(tǒng)，例如安全類應(yīng)用程序?！?/p>

例如，基于人臉識別技術(shù)的安全系統(tǒng)很可能遭遇黑客入侵，導(dǎo)致違規(guī)行為的出現(xiàn);或者在交通標志上張貼某些圖形，導(dǎo)致自動駕駛汽車產(chǎn)生意外誤解。

先前的研究發(fā)現(xiàn)，與人們的預(yù)期相反，使用場景中天然存在著一些對抗性示例，即機器學(xué)習(xí)系統(tǒng)有可能因為意外交互（而非因數(shù)據(jù)錯誤）而產(chǎn)生誤解。這類情況相當罕見，必須通過其他人工智能技術(shù)才可能發(fā)現(xiàn)。

但這些問題又真實存在，要求研究人員重新考慮該如何辨別自然異常與人為誤導(dǎo)。

事實上，我們對這類人為誤導(dǎo)的理解并不清晰。但這有點像是相機鏡頭上時不時出現(xiàn)的光暈，類似于依靠光暈來判斷畫面中太陽的位置，研究人員似乎也可以借助這樣的蛛絲馬跡推斷機器學(xué)習(xí)中的惡意誤導(dǎo)方法。

更重要的是，這種新的思考方式也將影響人們在深度神經(jīng)網(wǎng)絡(luò)中使用工件的方式，包括不應(yīng)簡單將誤解結(jié)論視為深度學(xué)習(xí)無效。

他總結(jié)道，“某些對抗性事件很可能是人為設(shè)計而來。我們必須知曉其中的手法與工件是什么，這樣才能真正理解深度神經(jīng)網(wǎng)絡(luò)的可靠性。”

責任編輯：PSY