通过鲁棒时序自集成提升 SNN 的鲁棒性-精度权衡
机器学习
2025-08-18 v1 计算机视觉与模式识别
摘要
脉冲神经网络（SNNs）因其能效优势和类脑计算潜力而备受关注，但其对对抗性扰动的脆弱性尚未得到充分理解。本文从时序集成视角重新审视 SNNs 的对抗鲁棒性，将网络视为离散时间步长中演化子网络的集合。这一表述揭示了两个关键但未被充分探讨的挑战——单个时序子网络的脆弱性以及对抗性脆弱性在时间上的传递趋势。为克服这些限制，我们提出了鲁棒时序自集成（Robust Temporal self-Ensemble, RTE）训练框架，通过提升每个子网络的鲁棒性同时降低对抗性扰动在时间上的传递性来实现此目标。RTE 将两个目标整合于统一损失函数中，并采用随机抽样策略以提高优化效率。多项广泛实验表明，RTE 在鲁棒性-精度权衡方面始终优于现有训练方法。额外分析显示，RTE 重塑了 SNN 的内部鲁棒性景观，导致更具韧性和时序多样性的决策边界。本研究凸显时序结构在对抗学习中的重要性，为构建稳健脉冲模型提供了原则性基础。
引用
@article{arxiv.2508.11279,
title = {Boosting the Robustness-Accuracy Trade-off of SNNs by Robust Temporal Self-Ensemble},
author = {Jihang Wang and Dongcheng Zhao and Ruolin Chen and Qian Zhang and Yi Zeng},
journal= {arXiv preprint arXiv:2508.11279},
year = {2025}
}