RSC-SNN: Exploring the Trade-off Between Adversarial Robustness and Accuracy in Spiking Neural Networks via Randomized Smoothing Coding

本文介绍了脉冲神经网络（SNNs）由于其独特的神经元动力学和低功耗性质而受到广泛关注。先前的研究经验证明，与人工神经网络（ANNs）相比，使用泊松编码的SNNs在小规模数据集上更具有鲁棒性。然而，目前尚不清楚SNNs的对抗鲁棒性理论基础是什么，以及SNNs在大规模数据集任务上是否仍然可以保持其对抗鲁棒性优势。本文从理论上证明了SNNs固有的对抗鲁棒性源于其泊松编码。我们揭示了泊松编码和随机平滑防御策略的概念等效性，并通过提出的随机平滑编码（RSC）方法深入分析了SNNs在准确性和对抗鲁棒性之间的权衡。实验表明，所提出的RSC-SNNs表现出非凡的对抗鲁棒性，超越了ANNs，并在大规模数据集ImageNet上实现了最新的鲁棒性结果。我们的开源实现代码可在此网址获取：https://github.com/KemingWu/RSC-SNN。

本论文旨在探讨脉冲神经网络（SNN）的对抗鲁棒性，特别是在大规模数据集任务中是否仍然具有优势。

论文理论上证明了SNN的固有对抗鲁棒性源于其泊松编码，并提出了随机平滑编码（RSC）方法来平衡准确性和对抗鲁棒性之间的权衡。

论文揭示了泊松编码和随机平滑在防御策略中的概念等价性，提出了RSC-SNN的方法并在ImageNet数据集上取得了最新的鲁棒性结果。

相关研究包括对抗训练、随机平滑和SNN的先前研究。