論文の概要: Event Burst Trigger: An Availability Backdoor Attack on Event-Based SNN Object Detection

• arxiv url: http://arxiv.org/abs/2607.09115v1
• Date: Fri, 10 Jul 2026 06:00:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 16:48:13.424352
• Title: Event Burst Trigger: An Availability Backdoor Attack on Event-Based SNN Object Detection
• Title（参考訳）: Event Burst Trigger: イベントベースのSNNオブジェクト検出に対するアベイラビリティバックドアアタック
• Abstract要約: Event Burst Trigger(EBT)は、SNNベースのオブジェクト検出モデルをターゲットにした、アベイラビリティバックドアアタックである。 最新のSNNオブジェクト検出器であるSpikeYOLOのEBTを評価した。
• 参考スコア（独自算出の注目度）: 0.3441021278275805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Event-based vision and spiking neural networks (SNNs) are increasingly adopted for edge intelligence under strict latency and energy constraints. However, the vulnerability of event-based SNN object detection models to availability backdoor attacks remains insufficiently studied. This paper presents Event Burst Trigger (EBT), an availability backdoor attack targeting SNN-based object detection models. EBT injects carefully crafted event-based triggers into the training data, which induce temporally concentrated event streams during inference. These burst-like activations increase the number of phantom (i.e., spurious) object candidates, and consequently inflate the computational cost of the post-processing stage, particularly Non-Maximum Suppression (NMS). We evaluate EBT on SpikeYOLO, the state-of-the-art SNN-based object detector, under a poison-only threat model that does not require modifications to the model architecture, loss function, or inference pipeline. Experimental results show that while detection accuracy remains largely preserved, with mAP@0.5 decreasing by less than 0.099, the latency of the NMS stage increases by up to 38%. This indicates that NMS can become a dominant availability bottleneck in event-based SNN object detection. Experiments on an edge platform further show that the proposed attack elevates baseline resource utilization and reduces scheduling slack without inducing conspicuous peaks in resource usage. In addition, STRIP-based backdoor detection fails to reliably distinguish the proposed attack from benign inputs. These results characterize a previously underexplored availability backdoor threat in event-based SNN object detection systems.
• Abstract（参考訳）: イベントベースのビジョンとスパイクニューラルネットワーク(SNN)は、厳格なレイテンシとエネルギー制約の下でエッジインテリジェンスに採用されている。 しかし、イベントベースSNNオブジェクト検出モデルのバックドア攻撃に対する脆弱性は、まだ十分に研究されていない。 本稿では,SNNに基づくオブジェクト検出モデルを対象とした,アベイラビリティバックドアアタックであるEvent Burst Trigger (EBT)を提案する。 EBTは、トレーニングデータにイベントベースのトリガを慎重に注入し、推論中に時間的に集中したイベントストリームを誘導する。 これらのバースト様の活性化はファントム(即ち刺激的な)対象候補の数を増やし、結果として後処理段階、特に非最大抑圧(NMS)の計算コストを増大させる。 我々は、モデルアーキテクチャ、損失関数、推論パイプラインの変更を必要としない毒のみの脅威モデルの下で、最先端のSNNベースのオブジェクト検出器であるSpikeYOLOのEBTを評価する。 実験の結果,検出精度はほぼ維持され,mAP@0.5は0.099未満で低下したが,NMSステージのレイテンシは最大38%向上した。 このことは、NMSがイベントベースのSNNオブジェクト検出において、主要な可用性ボトルネックになることを示唆している。 エッジプラットフォーム上での実験では,提案攻撃が資源使用量を増加させ,資源使用量に顕著なピークを生じさせることなくスケジュールスラックを削減することが示されている。 さらに、STRIPベースのバックドア検出は、提案された攻撃と良質な入力とを確実に区別することができない。 これらの結果は、イベントベースSNNオブジェクト検出システムにおいて、未調査のバックドアの脅威を特徴づけるものである。

関連論文リスト

• Unsupervised Backdoor Detection and Mitigation for Spiking Neural Networks [18.808102627400665]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)と比較してエネルギー効率が優れていることに注目が集まっている。 本稿では、SNNにおける従来のバックドア防御を阻害するキーブロッカーを特定し、これらの課題を克服するための教師なしポストトレーニング検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T04:25:35Z)
• BDefects4NN: A Backdoor Defect Database for Controlled Localization Studies in Neural Networks [65.666913051617]
  ローカライゼーション研究のための最初のバックドア欠陥データベースであるBDefects4NNを紹介する。 BDefects4NNは、ラベル付きバックドア欠陥DNNを神経細胞の粒度で提供し、欠陥根の原因の制御された局在化研究を可能にする。 本研究は, バックドア欠陥に対して限られた有効性を示す6つの障害局所化基準と2つの欠陥修復手法の評価実験を行った。
  論文  参考訳（メタデータ） (2024-12-01T09:52:48Z)
• Augmented Neural Fine-Tuning for Efficient Backdoor Purification [16.74156528484354]
  最近の研究では、様々なバックドア攻撃に対するディープニューラルネットワーク(DNN)の脆弱性が明らかにされている。 神経活動の最適再編成を目的としたニューラルマスクファインチューニング(NFT)を提案する。 NFTはトリガー合成プロセスを緩和し、逆探索モジュールの要求をなくす。
  論文  参考訳（メタデータ） (2024-07-14T02:36:54Z)
• SFOD: Spiking Fusion Object Detector [10.888008544975662]
  Spiking Fusion Object Detector (SFOD)は、SNNベースのオブジェクト検出のためのシンプルで効率的なアプローチである。 我々は、イベントカメラに適用されたSNNにおいて、異なるスケールのフィーチャーマップを初めて融合させる、スパイキングフュージョンモジュールを設計する。 我々は、NCARデータセット上で93.7%の精度を達成し、SNNに基づいて最先端の分類結果を確立する。
  論文  参考訳（メタデータ） (2024-03-22T13:24:50Z)
• A Geometrical Approach to Evaluate the Adversarial Robustness of Deep Neural Networks [52.09243852066406]
  対向収束時間スコア(ACTS)は、対向ロバストネス指標として収束時間を測定する。 我々は,大規模画像Netデータセットに対する異なる敵攻撃に対して,提案したACTSメトリックの有効性と一般化を検証する。
  論文  参考訳（メタデータ） (2023-10-10T09:39:38Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• A Fully Spiking Hybrid Neural Network for Energy-Efficient Object Detection [6.792495874038191]
  エネルギー効率とロバストな物体検出のための完全スパイクハイブリッドニューラルネットワーク(fshnn) ネットワークアーキテクチャは、漏洩統合型ニューロンモデルを用いた畳み込みSNNに基づいている。
  論文  参考訳（メタデータ） (2021-04-21T18:39:32Z)
• Towards Adversarial-Resilient Deep Neural Networks for False Data Injection Attack Detection in Power Grids [7.351477761427584]
  偽データインジェクション攻撃(FDIA)は、電力システムの状態推定に重大なセキュリティ上の脅威をもたらす。 最近の研究では、機械学習(ML)技術、特にディープニューラルネットワーク(DNN)が提案されている。
  論文  参考訳（メタデータ） (2021-02-17T22:26:34Z)
• GraN: An Efficient Gradient-Norm Based Detector for Adversarial and Misclassified Examples [77.99182201815763]
  ディープニューラルネットワーク(DNN)は、敵対的な例やその他のデータ摂動に対して脆弱である。 GraNは、どのDNNにも容易に適応できる時間およびパラメータ効率の手法である。 GraNは多くの問題セットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-04-20T10:09:27Z)
• 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。