BriefGPT - AI 论文速递
·
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。
📝
内容提要
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。
🎯
关键要点
-
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）。
-
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。
-
理论分析表明，TA-LIF神经元在输入分布变化下具有优越的动态鲁棒性。
-
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％。
-
在没有显式对抗训练的情况下，HoSNN的准确率相对于之前的模型有显著提升。
-
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％。
-
研究为加强SNNs的对抗鲁棒性及防御提供了新的生物学原理视角。
➡️
