論文の概要: Hardware-Aware Model Inversion in Memristive Spiking Neural Networks

• arxiv url: http://arxiv.org/abs/2610.39688v2
• Date: Tue, 03 Nov 2026 10:52:21 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:25:14.719006
• Title: Hardware-Aware Model Inversion in Memristive Spiking Neural Networks
• Title（参考訳）: メムリシブスパイキングニューラルネットワークにおけるハードウェア・アウェアモデルインバージョン
• Abstract要約: メムリシティブクロスバーアレイ上に実装されたハードウェアアクセラレーションスパイキングニューラルネットワーク(SNN)は、エネルギー効率を大幅に向上させる。 我々は、SNNに特徴付けられるモデル反転リークが、同じモデルが非理想的旋律基板にマッピングされた後に代表的であるかどうかを問う。
• 参考スコア（独自算出の注目度）: 40.13195502584103
• License:
• Abstract: Hardware-accelerated spiking neural networks (SNNs) implemented on memristive crossbar arrays offer significant gains in energy efficiency, while device variability and analog noise are sometimes assumed to hinder information extraction. However, whether these hardware effects improve, preserve, or degrade privacy after deployment remains largely unexplored. Therefore, we ask whether model-inversion leakage characterized on an SNN remains representative after the same model is mapped to a non-ideal memristive substrate, and how hardware non-idealities and reliability faults affecting synapses, neuron thresholds, and spike processing reshape that leakage. To study this problem, we introduce Spiking Domain Model Inversion (SDMI), an inversion method that combines Expectation over Transformation (EOT) with surrogate gradients to optimize inputs through stochastic analog behavior and non-differentiable spiking dynamics. We use SDMI consistently across the SNN model, its memristive SNN, and the same memristive SNN under additional hardware perturbations. Across four datasets, reconstruction leakage does not vary monotonically with model accuracy or hardware variability. At comparable accuracy levels, neuron-threshold perturbations increase reconstruction fidelity, measured by SSIM, by up to 51.8%, whereas spike-level perturbations primarily degrade utility without consistently improving reconstruction. Weight noise, in contrast, reduces leakage under the same inversion procedure. These results show that hardware variability is not inherently privacy-preserving: model inversion leakage in memristive SNNs depends on the hardware state and cannot be inferred from model accuracy alone.
• Abstract（参考訳）: メムリシティブクロスバーアレイ上に実装されたハードウェアアクセラレーションスパイキングニューラルネットワーク(SNN)はエネルギー効率を大幅に向上させる一方、デバイス可変性やアナログノイズは情報抽出を妨げると仮定される。 しかしながら、これらのハードウェア効果がデプロイ後のプライバシを改善し、保存し、あるいは劣化させるかどうかは、まだ明らかになっていない。 そこで我々は,SNNに特徴付けられるモデル反転リークが,同じモデルが非理想化基板にマッピングされた後も代表的であるか,また,そのリークがシナプス,ニューロンしきい値,スパイク処理にどのように影響するかを問う。 この問題を解決するために,Spyking Domain Model Inversion (SDMI)を導入し,確率的アナログ挙動と非微分的スパイキングダイナミクスによる入力を最適化する。 我々は、SDMIをSNNモデル、そのmmristive SNN、および同じmmristive SNNに対して、追加のハードウェア摂動下で一貫して使用します。 4つのデータセットにまたがって、再構成リークはモデル精度やハードウェアのばらつきによって単調に変化しない。 同等の精度で、神経閾値の摂動は、SSIMによって測定される再構成の忠実度を最大51.8%向上させるが、スパイクレベルの摂動は主に、再構築を継続的に改善することなく実用性を低下させる。 対照的に、ウェイトノイズは、同じ反転手順下での漏れを低減する。 これらの結果は、ハードウェアのばらつきは本質的にプライバシを保存するものではないことを示している: 経験的SNNにおけるモデル反転リークは、ハードウェア状態に依存し、モデル精度だけでは推測できない。

関連論文リスト

• ASSERT: Adaptive Stochastic Sampling for Robust Diffusion Models on Analog Compute-in-Memory Hardware [13.123394042691642]
  拡散モデルは、強い画像生成品質を実現するが、高い反復的 denoising コストをもたらす。 初期高雑音化段階は最終改良段階よりもかなり脆弱であることを示す。 本稿では,早期かつスムーズな復調性を利用したトレーニングサンプルであるASSERTを提案する。
  論文  参考訳（メタデータ） (2026-09-01T09:13:10Z)
• Reducing ANN-SNN Conversion Error via Residual Membrane Potential Alignment [52.910770415431244]
  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コンピューティングのコアアーキテクチャとして機能する。 ANN-SNN変換は、低レイテンシでエネルギー効率のよい推論のために、よく訓練されたANN重みを再利用することで問題を回避している。 既存の変換方式は、小さなタイミングで精度の低下、大きな推論遅延、累積量子化誤差に悩まされている。
  論文  参考訳（メタデータ） (2026-08-14T04:46:03Z)
• Burst Spiking Neural Networks [48.73525332410879]
  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)の低消費電力代替を目指す 既存のSNNメソッドは堅牢性を損なう。 本稿では,Burst-enhanced Spiking Neurons (BSN) と Dynamic Weight Constraint (DWC) を用いたBurst Spiking Neural Networks (BuSNN) を提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:27:17Z)
• Data-Driven Deep MIMO Detection:Network Architectures and Generalization Analysis [50.20709408241935]
  本稿では,ネットワーク・オブ・MLPにおける完全データ駆動型DeepSIC検出の検証を提案する。 このようなアーキテクチャでは、グラフニューラルネットワーク(GNN)を使用したグラフベースのメッセージパッシングプロセスとして、DeepSICをアップグレードすることができる。 GNNSICは、訓練可能なパラメータが大幅に少ないDeepSICに匹敵する優れた表現性を達成する。
  論文  参考訳（メタデータ） (2026-02-13T04:38:51Z)
• Deep-Unrolling Multidimensional Harmonic Retrieval Algorithms on Neuromorphic Hardware [78.17783007774295]
  本稿では,高精度かつエネルギー効率の高い単発多次元高調波検索のための変換に基づくニューロモルフィックアルゴリズムの可能性について検討する。 複雑な値の畳み込み層と活性化をスパイクニューラルネットワーク(SNN)に変換する新しい手法を開発した。 変換されたSNNは、元のCNNに比べて性能が低下し、ほぼ5倍の電力効率を実現している。
  論文  参考訳（メタデータ） (2024-12-05T09:41:33Z)
• Designing DNNs for a trade-off between robustness and processing performance in embedded devices [1.474723404975345]
  機械学習ベースの組み込みシステムは、ソフトエラーに対して堅牢である必要がある。 本稿では,摂動に対するモデルロバスト性を改善するために有界AFを用いた場合の適合性について検討する。 自律運転におけるシーン理解のためのハイパースペクトル画像のセマンティックセグメンテーションタスクの実行を目的としたエンコーダ・デコーダの完全畳み込みモデルの解析を行う。
  論文  参考訳（メタデータ） (2024-12-04T19:34:33Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• NeFT: Negative Feedback Training to Improve Robustness of Compute-In-Memory DNN Accelerators [16.942980574566818]
  ネットワーク全体のマルチスケールノイズ情報をより効果的に捉えるために,Negative Feedback Training (NeFT)を提案する。 NeFTは既存の最先端の手法よりも45.08%向上している。
  論文  参考訳（メタデータ） (2023-05-23T22:56:26Z)
• Uncertainty Modeling of Emerging Device-based Computing-in-Memory Neural Accelerators with Application to Neural Architecture Search [25.841113960607334]
  新興デバイスベースのコンピューティングインメモリ(CiM)は、高エネルギー効率ディープニューラルネットワーク(DNN)計算において有望な候補であることが証明されている。 ほとんどの新興デバイスは不確実な問題に悩まされており、結果として、保存される実際のデータと、それが設計される重み付け値との違いが生じる。 これにより、トレーニングされたモデルから実際にデプロイされたプラットフォームへの精度低下につながる。
  論文  参考訳（メタデータ） (2021-07-06T23:29:36Z)
• A Fully Tensorized Recurrent Neural Network [48.50376453324581]
  重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。 このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
  論文  参考訳（メタデータ） (2020-10-08T18:24:12Z)

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。