基于 Izhikevich 的时序动力学：提高脉冲神经网络隐私性、效率与可迁移性
神经与进化计算
2025-05-08 v1 人工智能
机器学习
摘要
生物神经元表现出多样化的时序脉冲模式，被认为支持高效、稳健且自适应的神经信息处理。虽然 Izhikevich 等模型能够复制这些放电动力学的广泛范围，但其复杂性在直接集成到可扩展脉冲神经网络（SNN）训练管道中具有挑战。本文提出两种概率驱动的、基于输入的时序脉冲转换：泊松-脉冲和延迟-脉冲，这两种方法在标准漏积积分-放电（LIF）神经元输入层引入生物学激活的时序变动，使可扩展训练和系统评估脉冲时序动力学对隐私性、泛化和学习性能的影响成为可能。泊松-脉冲根据输入强度调制脉冲发生率，而延迟-脉冲则通过脉冲起始时序编码输入强度。通过多个基准的广泛实验，我们展示泊松-脉冲在保持竞争性准确率和较低资源开销的同时，表现出对成员推断攻击的增强隐私鲁棒性；而延迟-脉冲则在轻微的准确率权衡下提供更强的隐私保护。这些发现凸显了生物学基础时序脉冲动力学在提升神经形态学习系统隐私性、泛化性和生物学可信度方面的潜力。
关键词
引用
@article{arxiv.2505.04034,
title = {Izhikevich-Inspired Temporal Dynamics for Enhancing Privacy, Efficiency, and Transferability in Spiking Neural Networks},
author = {Ayana Moshruba and Hamed Poursiami and Maryam Parsa},
journal= {arXiv preprint arXiv:2505.04034},
year = {2025}
}