RSC-SNN：通过随机光滑编码探索SNN中对抗鲁棒性与准确性之间的权衡
计算机视觉与模式识别
2024-07-30 v1
摘要
脉冲神经网络(SNN)因其独特的神经动力学和低功耗特性而受到广泛关注。以往的研究表明，采用泊松编码的SNN在小规模数据集上比人工神经网络(ANN)更具抗对抗鲁棒性。然而，仍不清楚SNN的对抗鲁棒性从何而来，以及SNN在大规模数据集任务中是否仍能保持其抗鲁棒性优势。本工作在理论上证明，SNN固有的抗对抗鲁棒性源于其泊松编码。我们揭示了泊松编码与防御策略中的随机光滑之间的概念等价性，并深入分析了通过提出的随机光滑编码(RSC)方法在准确性和对抗鲁棒性之间的权衡。实验表明，所提出的RSC-SNN在对抗鲁棒性方面表现突出，超过ANN，并在大规模数据集ImageNet上实现了最先进的鲁棒性结果。我们的开源实现代码已提供，链接为此https URL: https://github.com/KemingWu/RSC-SNN。
引用
@article{arxiv.2407.20099,
title = {RSC-SNN: Exploring the Trade-off Between Adversarial Robustness and Accuracy in Spiking Neural Networks via Randomized Smoothing Coding},
author = {Keming Wu and Man Yao and Yuhong Chou and Xuerui Qiu and Rui Yang and Bo Xu and Guoqi Li},
journal= {arXiv preprint arXiv:2407.20099},
year = {2024}
}
备注
Accepted by ACM MM 2024