Apr, 2024

通过图像净化防御脉冲神经网络受到的对抗攻击

PDF
TL;DR提出了一种仿生的方法来增强 SNN 的鲁棒性，通过绘制视觉遮盖效应和滤波理论的启示，引入一种端到端的基于 SNN 的图像净化模型，以抵御对抗性攻击，并通过引入多级激发的 SNN 来改善分类器的鲁棒性。
spiking neural networksadversarial attacksbiologically inspired methodologyimage purification modelmulti-level firing snn
发现论文，激发创造
  • Spiking 和深度神经网络的安全漏洞比较研究

    研究 Spiking Neural Networks（SNNs）和 Deep Neural Networks（DNNs）在对抗噪声方面的安全漏洞，并提出了一种新的黑盒攻击方法，考察了 SNNs 和 DNNs 之间在对抗性样本方面的差异，从而为研究 SNNs 的稳健性开辟了新的研究方向。

    Feb, 2019

  • 针对对抗扰动的强健脉冲神经网络研究

    本文提出了新的 SNN 训练方法 S-IBP 和 S-CROWN，并在不同数据集和模型结构中证明了其有效性，最大攻击错误率下降 37.7％，原始准确率下降 3.7％，这是关于 SNN 训练的首次分析。

    Apr, 2022

  • 脉冲去噪扩散概率模型

    本文提出了一种新的基于脉冲神经网络的生成模型 ——SDDPM，通过仅使用 4 个时间步骤的纯脉冲 U-Net 体系结构，实现与其 ANN 模型的可比性能，从而充分利用脉冲神经网络的能源效率，并在 CIFAR-10 和 CelebA 数据集上实现了卓越的性能，是脉冲神经网络生成领域的重大进展。

    Jun, 2023

  • 提高 SNNs 中稀疏梯度的对抗鲁棒性

    通过梯度稀疏化正则化提高脉冲神经网络 (SNNs) 的鲁棒性，将梯度稀疏性与对抗性扰动之间的差距最小化，改善 SNNs 的整体鲁棒性。

    May, 2024

  • 脉冲神经网络对抗鲁棒性的综合分析

    通过对比常规 VGG-9 人工神经网络和等效的 Spiking Neural Network 之间在白盒和黑盒情况下对不同类型单步和多步 FGSM（快速梯度符号法）攻击的准确度降低，证明 SNN 对黑盒攻击更具有韧性。 此外，研究发现 SNN 的鲁棒性很大程度上取决于相应的训练机制。 最后，提出了一个简单而有效的框架，用于从 SNN 中制造对抗性攻击。

    May, 2019

  • 深度脉冲 UNet 图像处理

    本研究介绍了 Spiking-UNet 的概念，将 Spiking Neural Networks 与 U-Net 架构相结合，在图像处理任务中实现了高效的信息传输和训练策略，与非脉冲版本相比，在图像分割和去噪方面取得了可比较的性能，并且减少了推理时间。

    Jul, 2023

  • 关于脉冲神经网络对抗样本的可传递性和安全性保障

    本文研究了 SNN 的对抗鲁棒性，提出了一种新的白盒攻击方法 Auto SAGA，对 SNN 以及 CNN/ViT 模型均有很高的成功率。实验涵盖三个数据集和 19 种不同的分类器模型。

    Sep, 2022

  • 通过转化实现对抗性鲁棒性的尖峰神经网络

    我们提出了一种通过 ANN-to-SNN 转换算法实现对深度 SNN 的鲁棒性训练的方法，该方法在后转换的鲁棒微调阶段，通过对 SNN 的层内发射阈值和突触连接权重进行敌对优化，以保持从预训练 ANN 传递的鲁棒性增益，实现了扩展性的鲁棒 SNN 训练方法。在考虑 SNN 的脉冲操作动力学的多个自适应敌对设置的实验评估中，我们的方法展示了一种具有低延迟的可扩展高鲁棒性深度 SNN 的最新解决方案。

    Nov, 2023

  • 图像超分辨率作为对抗攻击的防御

    本文提出了一个有效的图像增强方法，通过深度图像恢复网络来将离散的对抗噪声样本转换回自然图像流形，从而提高对抗性的鲁棒性，同时提高图像质量和保持干净图像上的性能表现。

    Jan, 2019

  • 使用精心设计的输入噪声训练深度脉冲神经网络，发挥其固有鲁棒性的潜力（HIRE-SNN）

    本文研究低延迟深度脉冲神经网络克服对抗攻击的训练算法，通过在输入层引入精心设计的噪声，已有的模型仅需进行微调即可达到防御攻击的效果，同时在分类性能、时延和计算能耗方面表现出色。

    Oct, 2021