本文研究深度神经网络的后门攻击问题，提出了一种基于L∞规范的神经元修剪方法，能够有效降低攻击成功率超过50%。该方法无需调整DNN参数，运行速度快，能够检测带触发器的实例，提高分类准确度并减轻过拟合问题。

本文研究深度神经网络的后门攻击问题，提出了一种基于L∞规范的神经元修剪方法，以消除后门。研究表明，该方法在保持高分类准确度的同时，显著降低了后门攻击的成功率。同时，探讨了多种后门攻击方式及其对深度学习模型的威胁，强调了在训练过程中注入后门的隐蔽性和有效性。

本文介绍了一种自适应结构发展的脉冲神经网络（SNN）方法，通过神经元修剪和突触再生等机制优化网络结构，降低能耗。研究表明，该方法在多任务中有效学习压缩率，提升性能，并提出了高效的剪枝技术，适用于深度学习模型的压缩与优化。