最も安いもの生き残る：敵対的頑健性を考慮したハードウェア適応

arXiv:2409.07609v2 Announce Type: replace-cross 要旨：敵対的頑健な機械学習システムを配備するには、頑健性、コスト、および遅延の間の恒常的なトレードオフが必要となります。私たちは、クラウドネイティブなディープラーニングにおける適応的ハードウェア選択とハイパーパラメータチューニングのための定量的基盤を提供する自律的意思決定支援フレームワークを提示します。このフレームワークは、加速失敗時間（AFT）モデルを適用し、ハードウェア選択、バッチサイズ、エポック数、および検証精度がモデルの生存時間（生存期間）に与える効果を定量化します。このフレームワークは、コスト、頑健性、および遅延といったシステムメトリクスを継続的に評価し、モデル構成およびハードウェア選択を適応させるために、モニタリング−分析−計画−実行（MAPE-K）の自律制御ループに自然に統合されることが可能です。3 つの GPU アーキテクチャを対象とした実験は、このフレームワークが論理的に整合しておりコスト効率が高いことを確認しました：Nvidia L4 は 20% の増加で敵対的生存時間を向上させ、V100 より 75% 低コストであり、高価なハードウェアが必ずしも頑健性を向上させないことを示唆しました。また、この分析は、推論遅延時間がトレーニング時間やハードウェア構成よりも敵対的頑健性の強力な予測因子であることをさらに明らかにしました。

arXiv:2409.07609v2 Announce Type: replace-cross Abstract: Deploying adversarially robust machine learning systems requires continuous trade-offs between robustness, cost, and latency. We present an autonomic decision-support framework providing a quantitative foundation for adaptive hardware selection and hyper-parameter tuning in cloud-native deep learning. The framework applies accelerated failure time (AFT) models to quantify the effect of hardware choice, batch size, epochs, and validation accuracy on model survival time. This framework can be naturally integrated into an autonomic control loop (monitor--analyse--plan--execute, MAPE-K), where system metrics such as cost, robustness, and latency are continuously evaluated and used to adapt model configurations and hardware selection. Experiments across three GPU architectures confirm the framework is both sound and cost-effective: the Nvidia L4 yields a 20% increase in adversarial survival time while costing 75% less than the V100, demonstrating that expensive hardware does not necessarily improve robustness. The analysis further reveals that model inference latency is a stronger predictor of adversarial robustness than training time or hardware configuration.