SpikeTimer：通过时序后门正则化探索脉冲神经网络中的主动版权保护

与传统深度神经网络（DNN）相比，脉冲神经网络（SNN）作为一种革命性范式，在能效计算方面崭露头角，在机器人和边缘 AI 系统等实时应用的事件驱动感官数据处理中展现出卓越能力。然而，不同于对 DNN 版权方案的大量研究，由于其固有的时序编码复杂性与脉冲驱动计算，SNN 版权保护在很大程度上未被充分探索。在本研究中，我们提出一种名为 SpikeTimer 的用于 SNN 的主动版权保护新框架，其基于时序后门学习。SpikeTimer 将神经形态数据划分为指定时隙，并仅在授权时隙内嵌入授权令牌。此外，固有的时序分割特性天然使 SpikeTimer 能够支持多用户授权机制，并容纳任意形态的令牌嵌入。基于此，SpikeTimer 对包含正确时隙内令牌的授权数据作出精确响应，而对未授权数据产生错误响应。我们的关键创新在于建立一种依赖时间的授权机制，通过时序令牌有效性保护 SNN 版权。此外，即便在对抗尝试下，SpikeTimer 仍保持其防御效力。在多个神经形态数据集上的评估表明，SpikeTimer 对未授权数据达到约 10% 准确率，而对授权输入仅有约 1.5% 的退化。而且，SpikeTimer 展示出对模型微调和剪枝威胁的鲁棒抵抗力。