时间分布的后门攻击对联邦脉冲学习的影响
原文中文，约300字，阅读约需1分钟。发表于：。该研究探讨了脉冲神经网络（SNNs）和联邦学习（FL）在使用神经形态数据时受到后门攻击的脆弱性。研究发现，尽管 SNNs 的效率和 FL 的隐私优势使其在低功率设备上具有潜力，但这些系统容易受到此类攻击。研究采用了针对 SNNs 和 FL 定制的新型攻击策略，通过在时间和恶意设备之间分布后门触发器来增强攻击的有效性和隐蔽性，进一步证明了在部署 SNNs 和 FL 时需要稳健的安全措施。
研究发现脉冲神经网络（SNNs）和联邦学习（FL）在使用神经形态数据时易受后门攻击。新型攻击策略增强了攻击的有效性和隐蔽性，因此在部署SNNs和FL时需要稳健的安全措施。
