論文の概要: T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs

• arxiv url: http://arxiv.org/abs/2609.30119v1
• Date: Thu, 24 Sep 2026 16:56:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 21:10:10.131909
• Title: T-Backdoor: Exploiting Temporal Redundancy in Neuromorphic Data for Spike-preserving Backdoor Attacks on SNNs
• Title（参考訳）: Tバックドア:SNNにおけるスパイク保存バックドア攻撃のためのニューロモルフィックデータにおける時間的冗長性の爆発
• Abstract要約: バックドアアタックはディープニューラルネットワーク(DNN)にとって深刻なセキュリティ上の脅威であり、スパイクニューラルネットワーク(SNN)には未熟である。 これを解決するために、この研究は textbfT-Backdoor と呼ばれる SNN に対する新たなバックドア攻撃を提案する。
• 参考スコア（独自算出の注目度）: 0.038233569758620044
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backdoor attacks are a serious security threat to deep neural networks (DNNs) and remain largely underexplored for spiking neural networks (SNNs). Existing attacks primarily introduce spatiotemporal triggers that induce deviations in the spike distribution of poisoned samples relative to their clean counterparts. To address this limitation, this work proposes a novel backdoor attack on SNNs, termed \textbf{T-Backdoor}, which operates using purely temporal triggers such as \textit{Rate}, \textit{Latency}, and \textit{Jitter} without introducing any spatial perturbation, making the shift in spike distributions significantly harder to detect. Through extensive experiments on three benchmark neuromorphic datasets: N-MNIST, CIFAR10-DVS, and N-Caltech101, and evaluation against seven baseline backdoor defense methods, we demonstrate that T-Backdoor achieves a near-perfect 100\% attack success rate (ASR) in both single target and multi target settings with only minor degradation in clean accuracy, while remaining robust against existing backdoor detection and mitigation techniques. The codes are available at https://github.com/SiSL-URI/T-Backdoor .
• Abstract（参考訳）: バックドア攻撃はディープニューラルネットワーク(DNN)にとって深刻なセキュリティ上の脅威であり、スパイクニューラルネットワーク(SNN)には未熟である。 既存の攻撃は主に、汚染されたサンプルのスパイク分布の逸脱を引き起こす時空間的引き金によって引き起こされる。 この制限に対処するため、この研究はSNNに対する新しいバックドア攻撃を提案し、これは \textit{Rate}, \textit{Latency}, \textit{Jitter} のような純粋に時間的トリガーを使用して、空間的摂動を発生させることなく動作し、スパイク分布のシフトを著しく検出しにくくする。 N-MNIST, CIFAR10-DVS, N-Caltech101の3つのベンチマークニューロモルフィックデータセットに対する広範な実験と、7つのベースラインバックドア防御手法に対する評価により、T-Backdoorは、単一ターゲットと複数ターゲットの両方でほぼ100%の攻撃成功率(ASR)を達成し、クリーンな精度がわずかに低下する一方、既存のバックドア検出および緩和技術に対して堅牢であることを示す。 コードはhttps://github.com/SiSL-URI/T-Backdoor で公開されている。

関連論文リスト

• 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)
• 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)
• Flashy Backdoor: Real-world Environment Backdoor Attack on SNNs with DVS Cameras [11.658496836117907]
  スパイキングニューラルネットワーク(SNN)を用いた実環境におけるバックドアアタックの初評価について述べる。 本稿では,SNNに新たな3つのバックドア攻撃手法,すなわちFramed,Strobing,F Flashy Backdoorを提案する。 本研究は, バックドア攻撃に対するSNNベースのシステムのセキュリティと, 現実のシナリオにおける安全性を確保するために, さらなる研究が必要であることを示すものである。
  論文  参考訳（メタデータ） (2024-11-05T11:44:54Z)
• Reconstructive Neuron Pruning for Backdoor Defense [96.21882565556072]
  本稿では, バックドアニューロンの露出とプルーンの抑制を目的とした, emphReconstructive Neuron Pruning (RNP) という新しい防御法を提案する。 RNPでは、アンラーニングはニューロンレベルで行われ、リカバリはフィルタレベルで行われ、非対称再構成学習手順を形成する。 このような非対称なプロセスは、少数のクリーンサンプルだけが、広範囲の攻撃によって移植されたバックドアニューロンを効果的に露出し、刺激することができることを示す。
  論文  参考訳（メタデータ） (2023-05-24T08:29:30Z)
• Backdoor Attack with Sparse and Invisible Trigger [57.41876708712008]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 バックドアアタックは、訓練段階の脅威を脅かしている。 軽度で目に見えないバックドアアタック(SIBA)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T10:05:57Z)
• Backdoor Defense via Suppressing Model Shortcuts [91.30995749139012]
  本稿では,モデル構造の角度からバックドア機構を探索する。 攻撃成功率 (ASR) は, キースキップ接続の出力を減少させると著しく低下することを示した。
  論文  参考訳（メタデータ） (2022-11-02T15:39:19Z)
• Defending against Backdoor Attack on Deep Neural Networks [79.0484137934143]
  トレーニングデータの一部にバックドアトリガーを注入する、いわゆるテキストバックドア攻撃について検討する。 実験の結果,本手法は攻撃成功率を効果的に低減し,クリーン画像の分類精度も高いことがわかった。
  論文  参考訳（メタデータ） (2020-02-26T02:03:00Z)

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。