HoSNN: 具有自适应发放阈值的对抗鲁棒稳态脉冲神经网络
神经与进化计算
2025-03-05 v4 密码学与安全
计算机视觉与模式识别
机器学习
摘要
尽管脉冲神经网络（SNNs）提供了一种有前景的受神经启发的计算模型，但它们易受对抗攻击。我们提出了首项受神经稳态启发设计阈值自适应漏积分发放（TA-LIF）神经元模型的研究，并利用 TA-LIF 神经元构建对抗鲁棒的稳态 SNNs（HoSNNs）以提升鲁棒性。TA-LIF 模型结合了自稳定动态阈值机制，为最小化由对抗扰动引起的每个神经元膜电位误差提供了局部反馈控制方案。理论分析展示了 TA-LIF 神经元在输入有界输出有界稳定性及膜电位误差时间增长受抑制方面的良好动态特性，凸显了其相较于标准 LIF 神经元的优越鲁棒性。当使用弱 FGSM 攻击（攻击预算=2/255）训练并以强得多的 PGD 攻击（攻击预算=8/255）测试时，我们的 HoSNNs 在多个数据集上显著提升了模型准确率：在 FashionMNIST 上从 30.54% 到 74.91%，在 SVHN 上从 0.44% 到 35.06%，在 CIFAR10 上从 0.56% 到 42.63%，在 CIFAR100 上从 0.04% 到 16.66%，均优于传统基于 LIF 的 SNNs。
引用
@article{arxiv.2308.10373,
title = {HoSNN: Adversarially-Robust Homeostatic Spiking Neural Networks with Adaptive Firing Thresholds},
author = {Hejia Geng and Peng Li},
journal= {arXiv preprint arXiv:2308.10373},
year = {2025}
}
备注
Accepted by TMLR