論文の概要: Spiking Neural Networks Are Harder to Steal: A Benchmark Study of Model Stealing Attacks

• arxiv url: http://arxiv.org/abs/2610.36298v1
• Date: Mon, 26 Oct 2026 21:24:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.437064
• Title: Spiking Neural Networks Are Harder to Steal: A Benchmark Study of Model Stealing Attacks
• Title（参考訳）: ニューラルネットワークのスパイクはステルスが難しい: モデルステルス攻撃のベンチマーク研究
• Abstract要約: スパイクニューラルネットワーク(SNN)は盗難攻撃のモデル化に耐性があることが示される。 SNNはスパース、離散スパイクを通して通信し、その出力は時間とともに進化する膜電位に依存する。 この抵抗は、スパイクベースと時間依存のダイナミクスが、ANNベースのサロゲートが近似に苦労する決定境界をもたらすため、SNNの計算方法に起因している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning models deployed behind query interfaces expose more than their predictions, because an adversary can use those predictions to rebuild the model itself. Model stealing attacks (MSAs) exploit this exposure by training a surrogate model that replicates the decision behavior of a target through black-box queries alone, without access to its parameters or training data. These attacks are well characterized for conventional artificial neural networks (ANNs), yet spiking neural networks (SNNs) process information in a fundamentally different way. SNNs communicate through sparse, discrete spikes, and their outputs depend on membrane potentials that evolve over time rather than on a static mapping from input to output. This temporal mode of computation suggests that the decision behavior of an SNN may be harder to reconstruct from its responses. This work tests that possibility by benchmarking four representative MSAs, namely the Papernot, Tramèr, T-RND, and color perturbation attacks, against SNNs and their ANN counterparts on MNIST, Fashion-MNIST, and CIFAR-10. Across every attack and dataset, SNNs prove consistently more difficult to steal. Surrogates of SNNs achieve 10% to 20% lower agreement with the target model and 15% to 25% lower adversarial transferability than surrogates of ANNs. We attribute this resistance to the way SNNs compute, as their spike-based and time-dependent dynamics yield decision boundaries that ANN-based surrogates struggle to approximate, even under large query budgets. These findings extend the known resilience of SNNs beyond attacks on training data to the replication of model functionality, strengthening the case for neuromorphic architectures in security-sensitive applications.
• Abstract（参考訳）: クエリインターフェースの背後に配置された機械学習モデルは、予測よりも多くを公開します。 モデルステルス攻撃(MSA)は、パラメータやトレーニングデータにアクセスすることなく、ブラックボックスクエリだけでターゲットの決定動作を複製する代理モデルをトレーニングすることで、このエクスポージャーを利用する。 これらの攻撃は、従来の人工知能ニューラルネットワーク(ANN)によく特徴付けられるが、スパイクニューラルネットワーク(SNN)は、根本的に異なる方法で情報を処理している。 SNNはスパース、離散スパイクを通して通信し、その出力は入力から出力への静的マッピングではなく、時間とともに進化する膜電位に依存する。 この時間モードの計算は、SNNの決定動作がその応答から再構成するのが困難であることを示している。 この作業は、Papernot、Tramèr、T-RNDの4つの代表MSAと、MNIST、Fashion-MNIST、CIFAR-10上のSNNとそのANNに対するカラー摂動攻撃のベンチマークによって、その可能性をテストする。 すべての攻撃とデータセットにおいて、SNNは盗むのがずっと難しいことを証明している。 SNNのサロゲートは、ターゲットモデルとの10%から20%の低い一致を実現し、ANNのサロゲートよりも15%から25%低い逆転率を達成する。 この抵抗は、SNNのスパイクベースと時間依存のダイナミクスが、ANNベースのサロゲートが大きなクエリ予算の下でも近似するのに苦労する決定境界をもたらすため、SNNの計算方法に起因している。 これらの知見は、SNNの既知のレジリエンスを、トレーニングデータに対する攻撃を越えてモデル機能の複製にまで拡張し、セキュリティに敏感なアプリケーションにおけるニューロモルフィックアーキテクチャーのケースを強化した。

関連論文リスト

• AS-FedBridge: Pseudo-Spike Bridge Distillation for Heterogeneous ANN-SNN Federated Learning [56.2943018570345]
  従来のニューラルネットワーク(ANN)の代替として、スパイキングニューラルネットワーク(SNN)が登場した。 混合ANN-SNNクライアントに適した新しいフェデレート学習フレームワークであるAS-FedBridgeを提案する。
  論文  参考訳（メタデータ） (2026-08-04T08:32:30Z)
• Spiking Neural Networks: The Future of Brain-Inspired Computing [0.0]
  Spiking Neural Networks(SNN)は、ニューラルネットワークの最新世代のモデルである。 SNNは異なるスパイクイベントを使用して動作し、本質的にエネルギー効率が良く、時間的に動的である。 本研究では,SNN設計モデル,トレーニングアルゴリズム,多次元性能指標の包括的解析を行う。
  論文  参考訳（メタデータ） (2025-10-31T11:14:59Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  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で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• Do Spikes Protect Privacy? Investigating Black-Box Model Inversion Attacks in Spiking Neural Networks [0.0]
  この研究は、スパイキングニューラルネットワーク(SNN)に対するブラックボックスモデル反転(MI)攻撃の最初の研究である。 我々は、入力変換のためのレートベースの符号化と出力解釈のための復号機構を組み込むことにより、生成逆MIフレームワークをスパイク領域に適用する。 以上の結果から,SNNはANNよりもMI攻撃に対する抵抗性が有意に高いことが示唆された。
  論文  参考訳（メタデータ） (2025-02-08T10:02:27Z)
• Membership Privacy Evaluation in Deep Spiking Neural Networks [32.42695393291052]
  スパイキングニューラルネットワーク(SNN)は、非線形機能を持つニューロンを模倣して浮動小数点数を出力する。 本稿では,8つのMIAを考慮し,SNNのメンバシッププライバシを評価する。 ニューロモルフィックデータセットを用いてトレーニングした場合、SNNはANNよりも脆弱(最大攻撃精度は10%高い)であることが示される。
  論文  参考訳（メタデータ） (2024-09-28T17:13:04Z)
• 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)
• Toward Robust Spiking Neural Network Against Adversarial Perturbation [22.56553160359798]
  スパイキングニューラルネットワーク(SNN)は、現実の効率クリティカルなアプリケーションにますます多くデプロイされている。 研究者はすでに、SNNを敵の例で攻撃できることを実証している。 我々の知る限りでは、これはSNNの堅牢なトレーニングに関する最初の分析である。
  論文  参考訳（メタデータ） (2022-04-12T21:26:49Z)
• 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)
• HIRE-SNN: Harnessing the Inherent Robustness of Energy-Efficient Deep Spiking Neural Networks by Training with Crafted Input Noise [13.904091056365765]
  SNNトレーニングアルゴリズムは,入力ノイズを発生させるとともに,追加のトレーニング時間も発生しない。 通常の訓練された直接入力SNNと比較して、トレーニングされたモデルでは、最大13.7%の分類精度が向上した。 また,本モデルでは,レートコード入力を学習したSNNに対して,攻撃生成画像の分類性能が向上あるいは類似していることが特筆すべき点である。
  論文  参考訳（メタデータ） (2021-10-06T16:48:48Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)

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。