論文の概要: Characterizing Privacy Leakage in Spiking Neural Networks: A Systematic Analysis of Temporal Dynamics, Stochasticity, Neuronal Dynamics and Learning Mechanisms

• arxiv url: http://arxiv.org/abs/2610.36243v1
• Date: Mon, 26 Oct 2026 20:22:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.196637
• Title: Characterizing Privacy Leakage in Spiking Neural Networks: A Systematic Analysis of Temporal Dynamics, Stochasticity, Neuronal Dynamics and Learning Mechanisms
• Title（参考訳）: スパイクニューラルネットワークにおけるプライバシ漏洩の特徴:時相ダイナミクス,確率性,神経ダイナミクス,学習機構の体系的解析
• Abstract要約: スパイキングネットワーク(SNN)は、ニューロンが発火するかどうかだけでなく、発火時にも情報を符号化する。 生物学的にインスパイアされた発火パターンは、ネットワークアーキテクチャを変更することなく、SNNのメンバシップリークを低減することができる。 しかし、発火行動の変化は、変化性、スパイクタイミング、神経反応、そして一度に学習の問題である。 本研究は、本質的な時間的表現、神経性、ニューロンのダイナミクス、学習を共通の実験枠組み内で分離することによる起源を追究する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Spiking neural networks (SNNs) encode information not only in whether neurons fire but also in when they fire, and this temporal dimension shapes what a trained network reveals about its training data. Biologically inspired firing patterns can reduce membership leakage in SNNs without changing the network architecture, which positions temporal dynamics as a design variable for privacy. A change in firing behavior, however, alters stochasticity, spike timing, neuronal response, and the learning problem at once, so harnessing this effect requires identifying which of these properties produces it. This study traces that origin by separating temporal representation, stochasticity, intrinsic neuron dynamics, and learning within a common experimental framework, evaluated under a black-box membership inference attack across image and tabular benchmarks. Varying the temporal representation shows that burst-like firing patterns reduce leakage relative to regular spiking, but at a cost in accuracy. Injecting randomness into the input, spike timing, and spike trains does not reproduce this reduction in leakage, which shows that the reduction arises from how spikes are arranged in time rather than from noise. The privacy benefit further depends on where these firing patterns originate. When neurons generate these patterns through their own adaptive dynamics, leakage falls while accuracy is preserved, so privacy no longer comes at the expense of performance. The learning algorithm then sets the baseline leakage. Under evolutionary training, the attack already performs near chance level, leaving temporal dynamics little room to improve privacy further. Privacy in SNNs is therefore not an inherent property of spikes but a product of how temporal activity is generated, processed, and learned, which offers a principled basis for designing neuromorphic systems that protect sensitive data.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)は、ニューロンの発火だけでなく、発火時の情報も符号化する。 生物学的にインスパイアされた発火パターンは、ネットワークアーキテクチャを変更することなく、SNNのメンバシップリークを低減することができる。 しかし、発火行動の変化は確率性、スパイクタイミング、神経反応、学習問題を一度に変化させるため、この効果を利用するにはこれらの特性のどれが生成するかを特定する必要がある。 本研究は, 時間的表現, 確率性, 内在性ニューロン動態, および共通の実験枠組み内での学習を, 画像および表層ベンチマーク間のブラックボックスメンバーシップ推論攻撃下で評価した。 時間的表現を変えると、バースト状の発火パターンは通常のスパイクに比べて漏れを減少させるが、精度は高くつく。 入力、スパイクタイミング、スパイク列車にランダム性を注入しても、この漏れの低減は再現されない。 プライバシーの利点は、これらの発火パターンの発祥地によってさらに異なります。 ニューロンが自身の適応力学によってこれらのパターンを生成すると、正確性が保たれている間に漏れが発生するため、プライバシはもはやパフォーマンスを犠牲にしない。 学習アルゴリズムはベースラインリークを設定する。 進化的トレーニングの下では、この攻撃はすでにほぼ確実に実行されており、時間的ダイナミクスはプライバシーをさらに向上する余地をほとんど残していない。 したがって、SNNのプライバシはスパイク固有の性質ではなく、時間的活動の生成、処理、学習の産物であり、センシティブなデータを保護するニューロモルフィックシステムを設計するための原則化された基礎を提供する。

関連論文リスト

• Fractional Spike Differential Equations Neural Network with Efficient Adjoint Parameters Training [63.3991315762955]
  スパイキングニューラルネットワーク(SNN)は、生物学的ニューロンからインスピレーションを得て、脳に似た計算の現実的なモデルを作成する。 既存のほとんどのSNNは、マルコフ特性を持つ一階常微分方程式(ODE)によってモデル化された、神経細胞膜電圧ダイナミクスの単一時間定数を仮定している。 本研究では, 膜電圧およびスパイク列車の長期依存性を分数次力学により捉えるフラクタルSPIKE微分方程式ニューラルネットワーク (fspikeDE) を提案する。
  論文  参考訳（メタデータ） (2025-07-22T18:20:56Z)
• Allostatic Control of Persistent States in Spiking Neural Networks for perception and computation [79.16635054977068]
  本稿では,アロスタシスの概念を内部表現の制御に拡張することにより,環境に対する知覚的信念を更新するための新しいモデルを提案する。 本稿では,アトラクタネットワークにおける活動の急増を空間的数値表現として利用する数値認識の応用に焦点を当てる。
  論文  参考訳（メタデータ） (2025-03-20T12:28:08Z)
• Temporal Conditioning Spiking Latent Variable Models of the Neural Response to Natural Visual Scenes [29.592870472342337]
  本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。 スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。 我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
  論文  参考訳（メタデータ） (2023-06-21T06:30:18Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• Reducing Catastrophic Forgetting in Self Organizing Maps with Internally-Induced Generative Replay [67.50637511633212]
  生涯学習エージェントは、パターン知覚データの無限のストリームから継続的に学習することができる。 適応するエージェントを構築する上での歴史的難しさの1つは、ニューラルネットワークが新しいサンプルから学ぶ際に、以前取得した知識を維持するのに苦労していることである。 この問題は破滅的な忘れ(干渉)と呼ばれ、今日の機械学習の領域では未解決の問題のままである。
  論文  参考訳（メタデータ） (2021-12-09T07:11:14Z)
• Artificial Neural Variability for Deep Learning: On Overfitting, Noise Memorization, and Catastrophic Forgetting [135.0863818867184]
  人工ニューラルネットワーク(ANV)は、ニューラルネットワークが自然のニューラルネットワークからいくつかの利点を学ぶのに役立つ。 ANVは、トレーニングデータと学習モデルの間の相互情報の暗黙の正則化として機能する。 過度にフィットし、ノイズの記憶をラベル付けし、無視できるコストで破滅的な忘れを効果的に軽減することができる。
  論文  参考訳（メタデータ） (2020-11-12T06:06:33Z)
• 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。