研究人员开发了一种名为脉冲域模型逆转（SDMI）的新方法，用于分析忆阻器脉冲神经网络（SNNs）中的隐私泄露。该技术结合了变换期望（EOT）和代理梯度，通过随机模拟行为和不可微分的脉冲动力学来优化输入。跨四个数据集的实验表明，硬件变异性并不固有地保护隐私，因为重建保真度可能随着神经元阈值扰动而增加，而权重噪声可能减少泄露。研究结果表明，忆阻器SNN中的模型逆转泄露取决于硬件状态，不能仅凭模型准确性来推断。 AI
影响 这项研究强调，AI系统中的硬件缺陷可能意外地增加隐私风险，需要仔细评估，超越标准的准确性指标。
排序理由 该集群包含一篇学术论文，详细介绍了一种分析特定类型神经网络硬件中隐私泄露的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
在 arXiv cs.NE (Neural & Evolutionary) 阅读 →
- arXiv
- Expectation over Transformation
- Memristive Probabilistic Computing
- Pablo Sorrentino
- Spiking Domain Model Inversion
- Spiking neural networks
- Structural Similarity Index Measure
- Surrogate gradients for analog neuromorphic computing
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
