Spiking Domain Model Inversion

新方法探测忆阻器AI硬件中的隐私风险

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。