基于时步级反向传播的时步压缩攻击于脉冲神经网络
计算机视觉与模式识别
2025-08-20 v1 神经与进化计算
摘要
面向脉冲神经网络 (SNN) 的最新梯度基对抗攻击大多依赖扩展 FGSM 和 PGD 框架，面临严重的攻击延迟问题：多时步处理导致实际应用中的实时性不可行。这种效率低下源于其作为 ANN 范式直接扩展的设计，未能利用 SNN 的关键特性。本文提出时步压缩攻击 (TCA)，一种显著降低攻击延迟的新框架。TCA 引入两个组件，基于对 SNN 行为的关键洞察。其一，时步级反向传播 (TLBP) 基于我们发现的：生成扰动的反向传播中全局时序信息对攻击成功并非关键，使其能够进行逐时步评估以实现提前停止。其二，对抗膜电位复用 (A-MPR) 源于观察到的初始时步浪费在累积膜电位上的 inefficiency——一种热身阶段，可预先计算并复用。我们在 VGG-11 和 ResNet-17 上的实验，使用 CIFAR-10/100 和 CIFAR10-DVS 数据集显示，TCA 在白盒和黑盒设置下，分别将所需攻击延迟降低最高达 56.6% 和 57.1%，同时保持可 Comparable 的攻击成功率。
引用
@article{arxiv.2508.13812,
title = {Timestep-Compressed Attack on Spiking Neural Networks through Timestep-Level Backpropagation},
author = {Donghwa Kang and Doohyun Kim and Sang-Ki Ko and Jinkyu Lee and Hyeongboo Baek and Brent ByungHoon Kang},
journal= {arXiv preprint arXiv:2508.13812},
year = {2025}
}
备注
8 pages