본 연구는 스파이킹 신경망(SNN)의 적대적 강건성 향상을 위한 새로운 변환 기반 접근법을 제안한다. 기존 연구들은 주로 SNN에 대한 end-to-end 적대적 학습 기법을 다루었지만, 계산적 한계와 스파이크 기반 학습의 영향으로 인해 제한적인 강건성 향상을 보였다.
제안 방법은 사전에 적대적으로 학습된 인공신경망(ANN) 가중치를 활용하여 SNN을 초기화하고, 이후 스파이크 기반 역전파를 통해 SNN의 시냅스 가중치와 발화 임계값을 강건하게 미세 조정한다. 이를 통해 ANN에서 개발된 다양한 강건성 향상 기법을 효과적으로 SNN에 적용할 수 있다.
또한 기존 연구와 달리, 제안 방법은 스파이크 기반 역전파의 특성을 고려한 새로운 앙상블 공격 평가 방식을 도입하여 SNN의 강건성을 보다 엄격하게 검증한다. 실험 결과, 제안 방법은 기존 end-to-end 적대적 학습 기반 SNN 대비 최대 2배 높은 강건성을 달성하며, 강건성-정확도 간 trade-off를 개선할 수 있음을 보여준다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문