标签:Neural SNN 梯度 Adversarial 笔记 攻击 et 对抗
SNN对抗攻击笔记:
1. 解决SNN对抗攻击中脉冲与梯度数据格式不兼容性以及梯度消失问题:
- G2S Converter、Gradient Trigger[1]
2. 基于梯度的对抗攻击方式:
- FGSM、BIM[1]
3. 采用的神经元模型:
- 迭代LIF神经元模型[1]
4. 图像转化到脉冲序列的采样方式:
- Bernoulli采样[1]
- Poisson编码器[2]
5. 替代梯度法:
- 阶跃函数[1]
6. 影响对抗攻击效果的因素分析:
- 损失函数和发放阈值(倒数第二层)[1]
7.对抗攻击类型:
- 白盒攻击、目标/非目标攻击[1]
Reference:
[1] Liang L , Hu X , Deng L , et al. Exploring Adversarial Attack in Spiking Neural Networks with Spike-Compatible Gradient[J]. 2020.
[2] Sharmin S , Rathi N , Panda P , et al. Inherent Adversarial Robustness of Deep Spiking Neural Networks: Effects of Discrete Input Encoding and Non-Linear Activations[J]. 2020.
[3] Sharmin S , Panda P , Sarwar S S , et al. A Comprehensive Analysis on Adversarial Robustness of Spiking Neural Networks[J]. 2019.
标签:Neural,SNN,梯度,Adversarial,笔记,攻击,et,对抗 来源: https://www.cnblogs.com/lucifer1997/p/13156975.html
本站声明: 1. iCode9 技术分享网(下文简称本站)提供的所有内容,仅供技术学习、探讨和分享; 2. 关于本站的所有留言、评论、转载及引用,纯属内容发起人的个人观点,与本站观点和立场无关; 3. 关于本站的所有言论和文字,纯属内容发起人的个人观点,与本站观点和立场无关; 4. 本站文章均是网友提供,不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属;如您发现该文章侵犯了您的权益,可联系我们第一时间进行删除; 5. 本站为非盈利性的个人网站,所有内容不会用来进行牟利,也不会利用任何形式的广告来间接获益,纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。