安全感知的近似脉冲神经网络

深度神经网络（DNNs）和脉冲神经网络（SNNs）都因其易受对抗攻击而闻名。因此，研究人员近期广泛研究了 DNNs 和 SNNs 在对抗攻击下的鲁棒性与防御。与精确 SNNs（AccSNN）相比，近似 SNNs（AxSNNs）在超低功耗应用中能效最高可提升 4 倍。然而，AxSNNs 在对抗攻击下的鲁棒性尚未被探索。在本文中，我们首先广泛分析了具有不同结构参数和近似水平的 AxSNNs 在两种基于梯度的攻击和两种神经形态攻击下的鲁棒性。然后，我们提出了两种新颖的防御方法，即精度缩放和近似量化感知滤波（AQF），用于保护 AxSNNs。我们使用静态和神经形态数据集评估了这两种防御方法的有效性。我们的结果表明，AxSNNs 比 AccSNNs 更容易受到对抗攻击，但精度缩放和 AQF 显著提高了 AxSNNs 的鲁棒性。例如，在静态 MNIST 数据集上，对 AxSNN 的 PGD 攻击导致与未受攻击的 AccSNN 相比准确率下降 72%，而对经过精度缩放的 AxSNN 进行相同攻击仅导致准确率下降 17%（鲁棒性提升 4 倍）。类似地，在神经形态 DVS128 Gesture 数据集上，对 AxSNN 的稀疏攻击导致与未受攻击的 AccSNN 相比准确率下降 77%，而对采用 AQF 的 AxSNN 进行相同攻击仅导致准确率下降 2%（鲁棒性提升 38 倍）。