設定可能なレイテンシーを持つスピーキングニューラルネットワークの原始イベントベースの対抗攻撃

科学分野:

• 人工知能
• コンピュータ・ビジョン
• ニューロモルフィックコンピューティング

背景:

• スパイキング・ニューラル・ネットワーク (SNN) とダイナミック・ビジョン・センサ (DVS) は,エッジ・デバイスのエネルギー効率の高いコンピューティングを提供します.
• SNNの入力遅延はエネルギー節約に不可欠ですが,セキュリティの脆弱性,特に敵対的な攻撃はますます懸念されています.
• 設定可能なレイテンシーを持つ原始イベントストリームへの攻撃は,データの希少性と離散的な最適化課題のために未熟である.

研究 の 目的:

• 設定可能なレイテンシーを持つSNNの原始イベントストリームをターゲットにした新しい敵対的な攻撃方法を提案する.
• 原始的なイベントストリーム攻撃における稀少性と離散的な最適化の課題に取り組む.
• エネルギー効率の良い AI システムのセキュリティを強化します

主な方法:

• バイナリスパイクを連続値に変換することで最適化を円滑にする方法を開発した.
• 攻撃の遅延をサンプリングするための適応的ストキャスティック戦略を導入した.
• 稀少性を維持し,ターゲットラベルに近似しながら,対抗サンプルが原材料に似ていることを保証するために,規則化が適用されます.

主要な成果:

• 提案された方法は,さまざまなレイテンシーにおける対抗攻撃の成功率 (ASR) で既存のアプローチを大幅に上回ります.
• N-MNIST,CIFAR10-DVS,N-Caltech-101,およびGesture-DVSのデータセットに関する実験は,一貫した優位性を示しています.
• アブラーション試験は,提案された技術の有効性と,対照的なサンプル生成に対する遅延の影響を確認する.

結論:

• 新しい攻撃方法は,設定可能なレイテンシーを持つSNNの原始イベントストリームを効果的にターゲットにします.
• このアプローチは,対抗的な操作に対するイベントベースのビジョンシステムのセキュリティを強化します.
• この研究は ニューロモルフィックシステムに対する攻撃を理解し 防御するための新しい道を開きます