Sep, 2023

脉冲神经 P 系统中的隐私保护线性计算

PDF
TL;DR通过使用 Spiking Neural P 系统作为计算模型，本文提出了一种新的隐私保护协议，允许客户端在远程服务器上计算一个线性函数，并且不泄露任何输入和结果信息，同时保证服务器的安全性。
spiking neural p systemsprivacy-preserving protocollinear functionsn p systemsecurity considerations
发现论文，激发创造
  • PrivateSNN：保护隐私的脉冲神经网络

    本研究提出了 PrivateSNN，旨在从现有的预训练 ANN 模型中构建低功率尖峰神经网络 (SNNs)，避免数据泄露和泄露敏感信息，通过对 SNN 权重进行加密，实现有效的隐私保护与能源效率提升。

    Apr, 2021

  • 脑泄漏：关于神经形态结构的隐私保护特性与模型反演攻击

    通过对神经形态结构的隐私保护能力进行全面的研究，我们开发了一种新颖的反转攻击策略，与传统的人工神经网络进行比较分析，实验证明提出的攻击策略的有效性，并对神经形态结构的内隐私保护假设提出了质疑。

    Feb, 2024

  • DPSNN：差分隐私尖峰神经网络

    本研究将差分隐私算法和尖峰神经网络相结合，提出了差分隐私尖峰神经网络 (DPSNN) 来实现强隐私保护和高准确性的权衡。实验结果表明，相较于人工神经网络，DPSNN 在隐私保护方面的表现不变，在精度有所提升。

    May, 2022

  • 基于隐私保护的神经架构搜索

    使用安全多方计算方法构建隐私保护的神经架构搜索框架，其中使用重新设计的 ReLU 和 Max-pooling 保混乱电路以及对秘密共享的 Softmax 函数的新替代方法，分析和实验表明其在安全性，效率和准确性方面具有优越性。

    Apr, 2022

  • 低功耗神经形态处理硬件

    本文回顾了构建新一类仿效人脑以时间编码和处理信息的信息处理引擎所涉及的一些体系结构和系统级设计方面，以解决能效问题。

    Jan, 2019

  • 深度脉冲神经网络反向传播的修正线性突触后电位函数

    本文介绍了一个针对 DeepSNNs 设计的 Spike-Timing-Dependent Back-Propagation 学习算法，并提供了一种新的思路，探讨了时序动态、突触可塑性和决策等方面对信息编码的贡献，为未来 DeepSNNs 和神经形态硬件系统的设计提供了新的视角和方法。

    Mar, 2020

  • 脉冲神经网络实现生物学上可行的序列学习

    提出了一种新的持续时间模型 ——McCulloch-Pitts 网络 (MPN)， 用于序列学习，在棘突神经网络中，可以利用突触之间的不对称连接进行训练，能够稳健地记忆多个时空模式、二进制图片序列和实验神经脉冲数据的产生模型，并具有生物启发式的设计理念。

    Nov, 2019

  • 使用高效并具有长期依赖性学习能力的并行尖峰神经元

    通过重写神经动力学到一般形式并添加遮罩来避免未来输入，我们提出了平行尖峰神经元（PSN），它使用时间步之间的密集连接来最大化时间信息的利用，并且在模拟速度和时态 / 静态数据分类方面具有非常大的优势。这是关于平行化尖峰神经元的第一项研究，可以成为尖峰深度学习社区的基石。

    Apr, 2023

  • 将脉冲神经元网络建模为具有可变长度记忆的交互进程

    介绍一类具有无限数量相互作用组件的非马尔可夫过程，可以描述神经元网络的时间演化，有关完美模拟、存在性问题、反相关性等问题的研究成果也在文章中进行了综述。

    Feb, 2015

  • 用于深度分布式强化学习的多区室神经元和群体编码优化的脉冲神经网络

    通过结合生物启发式多室神经元模型和群编码方法，提出基于突触前神经元的深度分布式强化学习算法，其在 Atari 游戏上的表现超过了 “vanilla” 的基于 ANN 的 FQF 模型和基于 ANN-SNN 转换方法的 Spiking-FQF 模型。

    Jan, 2023