科研之友
微信
新浪微博
Facebook
分享链接
摘要
类脑芯片中的脉冲神经网络(SNNs)具有高稀疏性和低功耗的特点，在视觉分类任务中存在应用优势，但仍面临对抗攻击的威胁。现有研究缺乏对网络部署到硬件的量化过程中鲁棒性损失的度量方法。该文研究硬件映射阶段的SNN权重量化方法及其对抗鲁棒性。建立基于反向传播和替代梯度的监督训练算法，并在CIFAR-10数据集上生成快速梯度符号法(FGSM)对抗攻击样本。创新性地提出一种感知量化的权重量化方法，并建立与对抗攻击的训练与推理相融合的评估框架。实验结果表明，在VGG9网络下，直接编码对抗鲁棒性最差。在权重量化前后，4种编码和4种结构参数组合方式下，推理精度损失差与层间脉冲活动的平均变化幅度分别增大73.23%和51.5%。该文指出稀疏性因素对鲁棒性的影响相关度为：阈值增加大于权重量化bit降低大于稀疏编码，所提对抗鲁棒性分析框架与权重量化方法在PIcore类脑芯片中得到了硬件验证。
- 单位
