基于脉冲神经网络的联邦学习隐私研究
机器学习
2025-11-27 v1 人工智能
分布式、并行与集群计算
摘要
脉冲神经网络（SNN）已成为嵌入式和边缘AI的热门候选方案。其固有的低功耗特性使其在能源预算受限的场景下远高于conventional ANNs的效率。与此同时，联邦学习（FL）已成为此类场景下的主流训练范式，使能够在限制原始数据暴露的同时进行设备端学习。然而，梯度反转攻击代表了联邦学习中的关键隐私威胁，敏感训练数据可直接从共享的梯度中被重建。尽管该漏洞在conventional ANNs中已广泛研究，其对SNN的影响却鲜有探讨。本文提出首个针对SNN在多样数据域上进行的梯度泄露全面实证研究。SNN本质上是非可微的，通常采用替代梯度进行训练，我们假设这会使其与原始输入之间的相关性较弱，从而在隐私意义上提供较少的信息。为检验此假设，我们将不同梯度泄露攻击适配到脉冲域进行实验。我们的实验结果与conventional ANNs形成鲜明对比：虽然ANN梯度可靠地暴露输入的关键内容，而SNN梯度则产生噪声、在时序上不一致的重建，无法恢复有意义的空间或时序结构。这些结果表明，事件驱动的动力学与替代梯度训练显著降低了梯度的可信度。本工作为脉冲体系结构提供首个系统性的梯度反转攻击基准，凸显了神经形态计算固有的隐私保护潜力。
引用
@article{arxiv.2511.21181,
title = {Privacy in Federated Learning with Spiking Neural Networks},
author = {Dogukan Aksu and Jesus Martinez del Rincon and Ihsen Alouani},
journal= {arXiv preprint arXiv:2511.21181},
year = {2025}
}