面向尖峰神经网络的可靠对抗鲁棒性评估

Research Paper#Spiking Neural Networks, Adversarial Robustness, Machine Learning🔬 Research|分析: 2026年1月3日 16:26•
发布: 2025年12月27日 08:43
•
1分で読める
•ArXiv

分析

本文解决了评估尖峰神经网络（SNN）对抗鲁棒性的挑战。SNN的不连续性使得基于梯度的对抗攻击变得不可靠。作者提出了一个新框架，包括自适应锐度替代梯度（ASSG）和稳定自适应投影梯度下降（SA-PGD）攻击，以提高对抗鲁棒性评估的准确性和稳定性。研究结果表明，当前SNN的鲁棒性被高估了，强调了需要更好的训练方法。
引用 / 来源
查看原文
"The experimental results further reveal that the robustness of current SNNs has been significantly overestimated and highlighting the need for more dependable adversarial training methods."
A
ArXiv2025年12月27日 08:43
* 根据版权法第32条进行合法引用。
较旧

Show HN: Web-eval-agent – Let the coding agent debug itself

较新

Launch HN: Dedalus Labs (YC S25) – Vercel for Agents

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv