论局部学习训练的脉冲神经网络的对抗鲁棒性
机器学习
2025-09-01 v2 密码学与安全
神经与进化计算
摘要
最近的研究表明，在基于帧和基于事件的信息背景下，脉冲神经网络（SNNs）在几乎与干净数据无法区分的对抗样本面前存在脆弱性。这些研究大多局限于使用时间反向传播（BPTT）生成对抗样本，这是一种基于梯度的方法，缺乏生物合理性。相比之下，局部学习方法放宽了BPTT的许多约束，但在对抗攻击的背景下仍未得到充分探索。为了解决这个问题，我们通过四种训练算法的框架来检验SNNs中的对抗鲁棒性。我们深入分析了基于梯度的对抗攻击在此场景下生成对抗实例的无效性。为了克服这些限制，我们引入了一种利用对抗实例可迁移性的混合对抗攻击范式。所提出的混合方法表现出优越的性能，优于现有的对抗攻击方法。此外，该方法的多步对抗攻击、黑盒FGSM场景以及非脉冲领域的泛化能力也得到了评估。
引用
@article{arxiv.2504.08897,
title = {On the Adversarial Robustness of Spiking Neural Networks Trained by Local Learning},
author = {Jiaqi Lin and Abhronil Sengupta},
journal= {arXiv preprint arXiv:2504.08897},
year = {2025}
}