
154
2
부
적대적 입력 생성하기
그런 다음, 선택과 교차 그리고 변이가 반복되면서 차세대 샘플이 생성됩니다. 첫 번째, 기
존 세대의 하위 집합은 ‘부모’로 선택되며, 더 높은 체력 점수를 가진 사람들이 선호됩니다.
부모의 적대적 측면이 결합되고(크로스오버) 일부 랜덤 노이즈(돌연변이)가 추가되어 다음
세대를 형성할 자식을 만듭니다. 다시 한번, 새로운 세대의 각 구성원은 신경망에서 반환된
점수를 기반으로 적대적 적합성을 평가합니다.
적대적 사례가 생성되거나 유전자 알고리즘이 결과를 생성하지 못한 경우, 즉 세대 수가 최
대 임계값을 초과하는 경우에 과정이 완료됩니다.
이 시점에서 모델의 보안을 중시하는 조직이 점수를 제공하는 이유가 궁금할 것입니다. 예를
들어, 이미지가 소셜 미디어 웹 사이트에 부적절한 콘텐츠를 포함하는 것으로 자동 간주되어
제거 요건을 충족한 경우 이미지를 업로드한 개인은 이미지가 검열되었다는 경고 또는 알림을
받게 됩니다. 그들은
DNN
이 이미지에 할당한 분류 확률을 나타내는 상세한 출력 점수를 받지
못할 것입니다. 따라서 조직은 이와 같은 시나리오에서 점수 정보를 제공하지 않습니다. 그러
나 점수를 제공하는
DNN
기술을 소개하고 발전시키기 위해 이미 많은 개방형
API
가 만들어
졌습니다.
7
장에서 볼 수 있듯이 모델 자체의 보안을 ...