論文の概要: SpikeTimer: Exploring Active Copyright Protection in Spiking Neural Networks via Temporal Backdoor Regularization

• arxiv url: http://arxiv.org/abs/2606.26841v1
• Date: Thu, 25 Jun 2026 10:26:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.234658
• Title: SpikeTimer: Exploring Active Copyright Protection in Spiking Neural Networks via Temporal Backdoor Regularization
• Title（参考訳）: SpikeTimer: 一時的バックドア規則化によるスパイキングニューラルネットワークのアクティブな保護
• Abstract要約: エネルギー効率の高い計算において、スパイキングニューラルネットワーク(SNN)は従来のディープニューラルネットワーク(DNN)と比較して革命的なパラダイムとして現れている。 本稿では,SNNのためのアクティブ著作権保護フレームワークであるSpikeTimerを提案する。
• 参考スコア（独自算出の注目度）: 20.720692920590487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Spiking Neural Networks (SNN) have emerged as a revolutionary paradigm compared to traditional Deep Neural Networks (DNN) in energy-efficient computing, showcasing exceptional capabilities in processing event-driven sensory data for real-time applications like robotics and edge AI systems. However, unlike extensive studies on DNN copyright solutions, SNN copyright protection remains largely underexplored due to their inherent temporal coding complexities and spike-driven computation. In this study, we propose a novel active copyright protection framework named SpikeTimer for SNNs via temporal backdoor learning. SpikeTimer partitions neuromorphic data into designated timeslices and exclusively embeds authorized tokens within authorized slices. Furthermore, the inherent temporal segmentation characteristic intrinsically enables SpikeTimer to support multi-user authorization mechanisms and accommodates token embedding of arbitrary morphology. Based on this, SpikeTimer precisely responds to authorized data containing a token within the correct timeslice, while producing erroneous responses to unauthorized data. Our key innovation lies in establishing a time-dependent authorization mechanism that protects the SNN copyright by temporal token validity. Additionally, SpikeTimer retains its defensive efficacy even under adversarial attempts. Evaluations on multiple neuromorphic datasets manifest that SpikeTimer achieves around 10% accuracy on unauthorized data with merely around 1.5% degradation on authorized inputs. Moreover, SpikeTimer demonstrates robust resistance against model finetuning and pruning threats.
• Abstract（参考訳）: エネルギー効率の高いコンピューティングにおける従来のディープニューラルネットワーク(DNN)と比較して、スパイキングニューラルネットワーク(SNN)は革命的なパラダイムとして現れており、ロボット工学やエッジAIシステムといったリアルタイムアプリケーションのためのイベント駆動型センサデータを処理する際、例外的な能力を示している。 しかし、DNNの著作権ソリューションに関する広範な研究とは異なり、SNNの著作権保護は時間的符号化の複雑さとスパイク駆動の計算のため、未発見のままである。 本研究では,SNNのためのアクティブ著作権保護フレームワークであるSpikeTimerを提案する。 SpikeTimerはニューロモルフィックデータを指定されたタイムスライスに分割し、認証されたトークンを認証されたスライスにのみ埋め込む。 さらに、本質的には時間分割特性により、SpikeTimerはマルチユーザ認証機構をサポートし、任意の形態のトークン埋め込みを許容することができる。 これに基づいて、SpikeTimerは、不正なデータに対する誤ったレスポンスを生成しながら、正しいタイムスライ内でトークンを含む認証データに正確に応答する。 我々の重要な革新は、時間依存の認証機構を確立することであり、時間的トークンの妥当性によってSNN著作権を保護することです。 さらにSpikeTimerは、敵対的試みであっても防御効果を維持している。 複数のニューロモルフィックデータセットの評価では、SpikeTimerは認証されていないデータに対して約10%の精度を達成し、認証された入力では1.5%程度しか劣化しない。 さらに、SpikeTimerはモデルファインチューニングとプルーニングの脅威に対して堅牢な抵抗を示す。

関連論文リスト

• Autonomous Cyber Defense: Real-Time Attack Detection and Mitigation in Software-Defined Networks Using Machine Learning [78.29352305480285]
  最近の侵入では、最初のアクセスと最初の横移動の間の間隔は27秒と短いことが観察されている。 本稿では,ソフトウェア定義ネットワークにおける攻撃をオペレーターの関与なしに検出・ブロックするクローズドループフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-22T18:38:39Z)
• Time Is All It Takes: Spike-Retiming Attacks on Event-Driven Spiking Neural Networks [87.16809558673403]
  スパイキングニューラルネットワーク(SNN)は離散スパイクで計算し、時間構造を利用する。 イベント駆動SNNにおけるスパイク数と振幅を保存しながら、既存のスパイクを繰り返すタイミングのみの敵について検討する。
  論文  参考訳（メタデータ） (2026-02-03T09:06:53Z)
• SpikingGamma: Surrogate-Gradient Free and Temporally Precise Online Training of Spiking Neural Networks with Smoothed Delays [1.5166105038254163]
  スパイキングニューラルネットワーク(SNN)は、スパースでイベント駆動の計算を通じて、エネルギー効率の高い低レイテンシAIを約束する。 しかし、微細な時間的離散化の下でのSNNのトレーニングは依然として大きな課題であり、低レイテンシ応答性とソフトウェアで訓練されたSNNの効率的なハードウェアへのマッピングを妨げている。 このSpykingGammaモデルでは,スロゲート勾配を使わずに直接エラーバックプロパゲーションをサポートし,オンライン的に最小のスパイクで微妙な時間パターンを学習し,複雑なタスクやベンチマークに競合精度でフィードフォワードSNNを拡張できることが示されている。
  論文  参考訳（メタデータ） (2026-02-02T11:35:16Z)
• WavInWav: Time-domain Speech Hiding via Invertible Neural Network [78.85443308774484]
  従来の音声隠蔽法は、秘密の音声を復元する際に不満足な品質をもたらすことが多い。 フローベースの非可逆ニューラルネットワークを使用して、ステゴオーディオ、カバーオーディオ、シークレットオーディオの直接的なリンクを確立する。 また、隠れたデータを不正アクセスから保護するための暗号化技術も追加します。
  論文  参考訳（メタデータ） (2025-10-03T11:36:16Z)
• TEAM: Temporal Adversarial Examples Attack Model against Network Intrusion Detection System Applied to RNN [14.474274997214845]
  我々は,textbfTemporal adversarial textbfExamples textbfAttack textbfModel textbf(TEAM)と呼ばれる特徴再構成に基づく新しいRNN敵攻撃モデルを提案する。 ほとんどの攻撃カテゴリーでは、TEAMはブラックボックスとホワイトボックスの両方でのNIDSの誤判定率を改善し、96.68%以上に達する。
  論文  参考訳（メタデータ） (2024-09-19T05:26:04Z)
• TMN: A Lightweight Neuron Model for Efficient Nonlinear Spike Representation [7.524721345903027]
  スパイク・トレインはスパイク・ニューラル・ネットワークにおける情報伝達の主要な媒体である。 スパイク数やタイミングに基づく既存の符号化スキームは、しばしば低ステップの制約の下で厳しい制限に直面している。 本稿では,2つの重要なイノベーションを特徴とする新しいニューロンモデルであるTernary Momentum Neuron (TMN)を提案する。
  論文  参考訳（メタデータ） (2024-08-30T12:39:25Z)
• Timing-Based Backpropagation in Spiking Neural Networks Without Single-Spike Restrictions [2.8360662552057323]
  スパイキングニューラルネットワーク(SNN)のトレーニングのための新しいバックプロパゲーションアルゴリズムを提案する。 シングルスパイク制限なしで、個々のニューロンの相対多重スパイクタイミングに情報をエンコードする。
  論文  参考訳（メタデータ） (2022-11-29T11:38:33Z)
• PCPT and ACPT: Copyright Protection and Traceability Scheme for DNN Models [13.043683635373213]
  ディープニューラルネットワーク(DNN)は人工知能(AI)分野で大きな成功を収めている。 DNNモデルは、簡単に違法にコピーしたり、再配布したり、犯罪者に虐待されたりすることができる。
  論文  参考訳（メタデータ） (2022-06-06T12:12:47Z)
• Braille Letter Reading: A Benchmark for Spatio-Temporal Pattern Recognition on Neuromorphic Hardware [50.380319968947035]
  近年の深層学習手法は,そのようなタスクにおいて精度が向上しているが,従来の組込みソリューションへの実装は依然として計算量が非常に高く,エネルギーコストも高い。 文字読み込みによるエッジにおける触覚パターン認識のための新しいベンチマークを提案する。 フィードフォワードとリカレントスパイキングニューラルネットワーク(SNN)を、サロゲート勾配の時間によるバックプロパゲーションを用いてオフラインでトレーニングし比較し、効率的な推論のためにIntel Loihimorphicチップにデプロイした。 LSTMは14%の精度で繰り返しSNNより優れており、Loihi上での繰り返しSNNは237倍のエネルギーである。
  論文  参考訳（メタデータ） (2022-05-30T14:30:45Z)
• Automatically Lock Your Neural Networks When You're Away [5.153873824423363]
  ローカルな動的アクセス制御を備えたエンドツーエンドのニューラルネットワークを実現するモデルロック(M-LOCK)を提案する。 3種類のモデルトレーニング戦略は、1つのニューラルネットワークで認証された入力と疑似入力の間の膨大なパフォーマンスの相違を達成するために不可欠である。
  論文  参考訳（メタデータ） (2021-03-15T15:47:54Z)
• A Prospective Study on Sequence-Driven Temporal Sampling and Ego-Motion Compensation for Action Recognition in the EPIC-Kitchens Dataset [68.8204255655161]
  行動認識はコンピュータビジョンにおける最上位の研究分野の一つである。 エゴモーション記録シーケンスは重要な関連性を持つようになった。 提案手法は,このエゴモーションやカメラの動きを推定して対処することを目的としている。
  論文  参考訳（メタデータ） (2020-08-26T14:44:45Z)
• Rectified Linear Postsynaptic Potential Function for Backpropagation in Deep Spiking Neural Networks [55.0627904986664]
  スパイキングニューラルネットワーク(SNN)は、時間的スパイクパターンを用いて情報を表現し、伝達する。 本稿では,情報符号化,シナプス可塑性,意思決定におけるスパイクタイミングダイナミクスの寄与について検討し,将来のDeepSNNやニューロモルフィックハードウェアシステムの設計への新たな視点を提供する。
  論文  参考訳（メタデータ） (2020-03-26T11:13:07Z)

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。