可靠评估脉冲神经网络对抗鲁棒性的探索
机器学习
2026-02-10 v3 人工智能
摘要
脉冲神经网络（SNN）利用脉冲型激活函数模拟大脑高效信息处理，但脉冲激活的二值化和非连续性导致梯度消失，使基于梯度下降的对抗鲁棒性评估不可靠。虽然已提出改进的替代梯度方法，但其在强对抗攻击下的有效性尚不明确。我们提出一个更可靠的框架用于评估SNN的对抗鲁棒性。我们理论分析了替代梯度中梯度消失的程度，引入自适应锐度替代梯度（Adaptive Sharpness Surrogate Gradient, ASSG），该方法根据攻击迭代中的输入分布自适应演化替代函数的形状，从而在提升梯度准确性的同时缓解梯度消失。此外，我们设计了一种在 约束下具有自适应步长的对抗攻击——稳定自适应投影梯度法（Stable Adaptive Projected Gradient Descent, SA-PGD），在梯度不精确的情况下实现更快更稳定的收敛。大量实验表明，我们的方法在多样化的对抗训练方案、SNN架构和神经元模型下显著提升了攻击成功率，为SNN的对抗鲁棒性评估提供了更通用可靠的评估。实验结果进一步表明，当前SNN的鲁棒性被严重高估了，这凸显了需要更可靠的对抗训练方法的需求。代码已发布于 https://github.com/craree/ASSG-SNNs-Robustness-Evaluation。
引用
@article{arxiv.2512.22522,
title = {Towards Reliable Evaluation of Adversarial Robustness for Spiking Neural Networks},
author = {Jihang Wang and Dongcheng Zhao and Ruolin Chen and Qian Zhang and Yi Zeng},
journal= {arXiv preprint arXiv:2512.22522},
year = {2026}
}