对抗攻击下鲁棒的脉冲神经网络
计算机视觉与模式识别
2026-02-25 v1
摘要
脉冲神经网络（SNN）因其生物学合理性和脉冲驱动特性，成为能效神经形态计算的有前景的范式。然而，SNN在复杂对抗环境中的鲁棒性仍受到显著限制。本研究理论证明，直接训练的SNN中，阈值邻近的脉冲神经元是限制其鲁棒性的关键因素。我们发现，这些神经元决定了对抗攻击最大势能强度的上限，并且容易在微小扰动下发生状态翻转。为此，我们提出了一种阈值守卫优化（TGO）方法，包含两个关键方面：首先，将额外约束纳入损失函数，以将神经元的膜电位远离其阈值，从而增加SNN的梯度稀疏性，降低对抗攻击的理论上限；其次，引入带噪声的脉冲神经元，将神经元的放电机制从确定性转为概率性，降低因微小扰动导致的状态翻转概率。在标准对抗情景下的大量实验表明，我们的方法显著提升了直接训练SNN的鲁棒性。这些发现为推动实际应用中更可靠、更安全的神经形态计算铺平了道路。
引用
@article{arxiv.2602.20548,
title = {Robust Spiking Neural Networks Against Adversarial Attacks},
author = {Shuai Wang and Malu Zhang and Yulin Jiang and Dehao Zhang and Ammar Belatreche and Yu Liang and Yimeng Shan and Zijian Zhou and Yang Yang and Haizhou Li},
journal= {arXiv preprint arXiv:2602.20548},
year = {2026}
}
备注
Published as a conference paper at ICLR 2026