論文の概要: Spike-PTSD: A Bio-Plausible Adversarial Example Attack on Spiking Neural Networks via PTSD-Inspired Spike Scaling

• arxiv url: http://arxiv.org/abs/2604.01750v1
• Date: Thu, 02 Apr 2026 08:10:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.607368
• Title: Spike-PTSD: A Bio-Plausible Adversarial Example Attack on Spiking Neural Networks via PTSD-Inspired Spike Scaling
• Title（参考訳）: Spike-PTSD: PTSDにインスパイアされたスパイクスケーリングによるニューラルネットワークのスパイク攻撃
• Authors: Lingxin Jin, Wei Jiang, Maregu Assefa Habtie, Letian Chen, Jinyu Zhan, Xingzhi Zhou, Lin Zuo, Naoufel Werghi,
• Abstract要約: スパイキングニューラルネットワーク(SNN)は、エネルギー効率が高く生物学的に妥当であり、組み込みおよびセキュリティクリティカルなシステムに理想的である。 本稿では,PTSDの異常な神経発射をモデルとした,生物学的にインスパイアされた敵攻撃フレームワークであるSpike-PTSDを提案する。
• 参考スコア（独自算出の注目度）: 15.619852033481001
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Spiking Neural Networks (SNNs) are energy-efficient and biologically plausible, ideal for embedded and security-critical systems, yet their adversarial robustness remains open. Existing adversarial attacks often overlook SNNs' bio-plausible dynamics. We propose Spike-PTSD, a biologically inspired adversarial attack framework modeled on abnormal neural firing in Post-Traumatic Stress Disorder (PTSD). It localizes decision-critical layers, selects neurons via hyper/hypoactivation signatures, and optimizes adversarial examples with dual objectives. Across six datasets, three encoding types, and four models, Spike-PTSD achieves over 99% success rates, systematically compromising SNN robustness. Code: https://github.com/bluefier/Spike-PTSD.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、エネルギー効率が高く、生物学的に妥当であり、組み込みおよびセキュリティクリティカルなシステムに理想的である。 既存の敵攻撃は、しばしばSNNの生物解析可能なダイナミクスを見落としている。 外傷後ストレス障害(PTSD)における異常神経火傷をモデルとした生物学的にインスパイアされた敵攻撃フレームワークであるSpike-PTSDを提案する。 決定クリティカルなレイヤをローカライズし、ハイパー/ハイポアクティベーションシグネチャで神経細胞を選択し、二重目的で敵の例を最適化する。 6つのデータセット、3つのエンコーディングタイプ、4つのモデルで、Spike-PTSDは99%以上の成功率を獲得し、SNNの堅牢性を体系的に再現する。 コード:https://github.com/bluefier/Spike-PTSD。

関連論文リスト

• Robust Spiking Neural Networks Against Adversarial Attacks [49.08210314590693]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率のよいニューロモルフィックコンピューティングにおいて有望なパラダイムである。 本研究では, 閾値近傍のスパイクニューロンが直接訓練されたSNNの堅牢性を制限する重要な要因であることを理論的に実証する。 これらのニューロンは、敵の攻撃の最大電位強度の上限を設定しており、小さな障害の下では状態降下する傾向にある。
  論文  参考訳（メタデータ） (2026-02-24T05:06:12Z)
• BadSNN: Backdoor Attacks on Spiking Neural Networks via Adversarial Spiking Neuron [0.038233569758620044]
  スパイキングニューラルネットワーク(スパイキングニューラルネットワーク、英: Spiking Neural Networks、SNN)は、ディープニューラルネットワーク(Deep Neural Networks、DNN)のエネルギー効率の高いネットワークである。 本稿では,スパイクニューラルネットワークに対する新たなバックドア攻撃であるtextitBadSNNを提案する。
  論文  参考訳（メタデータ） (2026-02-06T21:20:41Z)
• Relaxing Graph Transformers for Adversarial Attacks [49.450581960551276]
  グラフトランスフォーマー(GT)は、いくつかのベンチマークでMessage-Passing GNNを上回り、その逆の堅牢性は明らかにされていない。 本研究では,(1)ランダムウォークPE,(2)ペアワイドショートパス,(3)スペクトル摂動に基づく3つの代表的なアーキテクチャを対象とすることで,これらの課題を克服する。 評価の結果, 破滅的に脆弱であり, 作業の重要性と適応攻撃の必要性を浮き彫りにする可能性が示唆された。
  論文  参考訳（メタデータ） (2024-07-16T14:24:58Z)
• Spike timing reshapes robustness against attacks in spiking neural networks [21.983346771962566]
  スパイキングニューラルネットワーク(SNN)は新しいタイプのニューラルネットワークモデルとして登場している。 我々は,SNNにおけるスパイクタイミングの役割を探求し,各種攻撃に対するシステムの堅牢性に着目した。 以上の結果から,SNNにおけるスパイクタイミング符号化の有用性は攻撃に対する堅牢性を向上させる可能性が示唆された。
  論文  参考訳（メタデータ） (2023-06-09T03:48:57Z)
• Sneaky Spikes: Uncovering Stealthy Backdoor Attacks in Spiking Neural Networks with Neuromorphic Data [15.084703823643311]
  スパイキングニューラルネットワーク(SNN)は、エネルギー効率の向上と生物学的に有効なデータ処理機能を提供する。 本稿では,ニューロモルフィックデータセットと多様なトリガーを用いたSNNのバックドア攻撃について検討する。 我々は,攻撃成功率を100%まで達成しつつ,クリーンな精度に無視できる影響を保ちながら,様々な攻撃戦略を提示する。
  論文  参考訳（メタデータ） (2023-02-13T11:34:17Z)
• Training High-Performance Low-Latency Spiking Neural Networks by Differentiation on Spike Representation [70.75043144299168]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上に実装された場合、有望なエネルギー効率のAIモデルである。 非分化性のため、SNNを効率的に訓練することは困難である。 本稿では,ハイパフォーマンスを実現するスパイク表現法(DSR)の差分法を提案する。
  論文  参考訳（メタデータ） (2022-05-01T12:44:49Z)
• Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
  ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。 我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。 逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
  論文  参考訳（メタデータ） (2021-11-16T16:14:44Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。