RSC-SNN：通过随机平滑编码探讨脉冲神经网络中对抗鲁棒性和准确性之间的权衡
原文中文，约500字，阅读约需2分钟。发表于：。本研究论文通过理论证明和实验证明，脉冲神经网络的固有对抗鲁棒性源自于其泊松编码，并通过提出的随机平滑编码方法深入分析了在准确性和对抗鲁棒性之间的权衡，实验结果表明所提出的随机平滑编码脉冲神经网络在大规模数据集 ImageNet 上具有显著的对抗鲁棒性，超越了人工神经网络并取得了最先进的鲁棒性结果。
本研究提出了一种新型的对抗性鲁棒稳态脉冲神经网络（HoSNN），利用阀值自适应泄漏积分火（TA-LIF）神经元模型来抵御脉冲神经网络（SNNs）对抗性攻击的易感性。实验结果显示，HoSNN在CIFAR-10上展示了固有的鲁棒性，对FGSM和PGD攻击的准确率分别提高到72.6％和54.19％。通过最小程度的FGSM对抗训练，HoSNN在CIFAR-10上对FGSM攻击和PGD攻击的准确率分别超过了以往模型的29.99％和47.83％。这一发现为加强SNNs的对抗鲁棒性及防御提供了新的生物学原理视角。
