概率脉冲神经网络的对抗训练
机器学习
2018-03-01 v2 机器学习
神经与进化计算
信号处理
摘要
使用常规经验风险最小化或最大似然方法训练的分类器在基于分类器决策规则知识对抗性选取的样例上测试时,已知会出现严重的性能下降。由于人工神经网络(ANN)作为分类器的突出地位,它们对对抗样例的敏感性以及鲁棒训练方案近来已成为深入研究的主题。本文首次研究了脉冲神经网络(SNN),即第三代神经网络,对对抗样例的敏感性。该研究考虑了速率与时刻编码,以及速率与首脉冲解码。此外,提出了一种鲁棒训练机制,被证明可提升 SNN 在白盒攻击下的性能。
引用
@article{arxiv.1802.08567,
title = {Adversarial Training for Probabilistic Spiking Neural Networks},
author = {Alireza Bagheri and Osvaldo Simeone and Bipin Rajendran},
journal= {arXiv preprint arXiv:1802.08567},
year = {2018}
}
备注
Submitted for possible publication. arXiv admin note: text overlap with arXiv:1710.10704