SNNs robuster: Neue Methode steigert Genauigkeit & Widerstandsfähigkeit

Spiking Neural Networks (SNNs) gelten als vielversprechende, energieeffiziente Modelle, die dem menschlichen Gehirn nachempfunden sind. Ihre Anfälligkeit gegenüber gezielten Störungen – sogenannten adversarial attacks – bleibt jedoch ein großes Problem. In einer neuen Studie wird dieses Thema aus einer völlig neuen Perspektive beleuchtet: die zeitliche Struktur der Netzwerke.

Die Forscher betrachten ein SNN als eine Ansammlung von sich entwickelnden Teilnetzwerken, die an diskreten Zeitschritten arbeiten. Dabei identifizieren sie zwei kritische Schwachstellen: Erstens sind einzelne zeitliche Subnetzwerke besonders anfällig, und zweitens können Angriffe leicht von einem Zeitschritt auf den nächsten übertragen werden. Um diesen Herausforderungen entgegenzuwirken, stellen sie das Konzept des Robust Temporal Self-Ensemble (RTE) vor.

RTE integriert die Verbesserung der Robustheit jedes Subnetzwerks und die Verringerung der zeitlichen Übertragbarkeit von Angriffen in einen einheitlichen Verlustterm. Durch eine stochastische Stichprobenstrategie wird die Optimierung effizient gestaltet. Umfangreiche Experimente auf verschiedenen Benchmarks zeigen, dass RTE die robuste Genauigkeit signifikant steigert und bestehende Trainingsmethoden übertrifft.

Darüber hinaus verändert RTE das interne Robustheitsprofil von SNNs, führt zu widerstandsfähigeren und zeitlich diversifizierten Entscheidungsgrenzen und unterstreicht damit die zentrale Rolle der zeitlichen Struktur im adversarialen Lernen. Die Arbeit liefert damit eine solide Grundlage für den Aufbau robuster, spiking-basierter Modelle.