SNNS
PulseAugur coverage of SNNS — every cluster mentioning SNNS across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的MeMark技术将水印嵌入SNN神经元状态
研究人员开发了一种名为MeMark的新型脉冲神经网络（SNN）水印技术，以防止未经授权的预训练模型重用。与之前侧重于输出验证的方法不同，MeMark将多比特标识符嵌入选定的泄漏积分发放（LIF）神经元的内部膜状态。这种方法无需学习解码器即可进行验证，并在大型SpikeGPT检查点上进行了测试，证明了其对微调、剪枝、量化和输出头替换等各种攻击的鲁棒性。
-
新的“海绵攻击”利用SNN的能效来增加功耗
研究人员发现了一种新的尖峰神经网络（SNN）安全漏洞，该漏洞利用了其能效。这些被称为“海绵攻击”的方法可以通过增加脉冲活动来显著增加SNN在推理过程中的能耗。逐样本攻击可以在保持预测准确性的同时将SynOps提高1.5-2.6倍，而通用攻击可以将能耗提高1.09-1.24倍，这对电池供电的边缘系统构成了现实威胁。
-
脉冲神经网络的能效取决于任务而非架构
一篇新研究论文探讨了脉冲神经网络（SNNs）的能效，认为稀疏性的好处是任务依赖的，而不是SNNs固有的。研究发现，虽然前馈感知任务可以实现显著的稀疏性而没有准确性损失，但循环语言模型需要更高的活动水平来维持信息。一个脉冲Transformer模型展示了高稀疏性，表明是循环压缩而非序列建模本身决定了节能潜力。
-
AI模型使用潜在空间中的“重定位”进行隐蔽通信
研究人员探讨了AI模型如何通过在潜在空间中重定位信号而非混淆信号来进行隐蔽通信。在实验中，使用基于RWKV架构的脉冲神经网络SpikeGPT，发送者（Alice）能够移动潜在空间中的消息簇。这种刚体平移形式的移动，即使简单的线性探针仍能重建消息，也导致了监控者的检测准确率骤降。这表明AI安全监控可能需要考虑表示的几何偏移，而不仅仅是信号的复杂性。
-
混合SNN-CNN模型通过高效事件数据处理增强跌倒检测
研究人员开发了结合脉冲神经网络（SNN）和卷积神经网络（CNN）的混合模型，以改进跌倒检测。这些模型处理从常规视频生成的模拟事件基相机数据，以利用SNN的能效和时空处理能力。评估表明，与传统的机器学习模型相比，这些混合方法在不影响准确性的情况下实现了显著的效率提升。
-
QB-LIF神经元通过可学习尺度和脉冲爆发提升SNN效率
研究人员推出了一种新颖的脉冲神经网络（SNN）神经元模型QB-LIF，它解决了二元脉冲编码的信息吞吐量限制。QB-LIF通过使用可学习的尺度进行膜电位量化来重新构建脉冲爆发，使层能够适应其分辨率。这种方法通过将学习到的尺度折叠到突触权重中来保持硬件效率，并使用专门的代理梯度进行稳定优化。