SNN对抗攻击笔记：

1. 解决SNN对抗攻击中脉冲与梯度数据格式不兼容性以及梯度消失问题：

• G2S Converter、Gradient Trigger[1]

2. 基于梯度的对抗攻击方式：

• FGSM[1-3]
• R-FGSM[3]
• I-FGSM[3]
• BIM[1]
• PGD[2]

3. 图像转化到脉冲序列的采样方式：

• Poisson事件生成过程[1-9]

4. SNN类型：

• SNN-conv（ANN-SNN Conversion）[2-7, 9]

  • 采用的神经元模型

    • IF神经元模型[2-7, 9]
    • LIF神经元模型[2, 4]

  • Trick

    • 阈值平衡[2-5]
    • 权重归一化[5, 9]

• SNN-BP[1-4, 8]

  • 替代梯度法：

• * * 分段常数函数（迭代LIF神经元模型）[1]

• * * 脉冲时间相关函数（IF/LIF神经元模型）[2, 4]

• 阈值相关函数（IF/LIF神经元模型）[3, 8]

5. 影响对抗攻击效果的因素分析：

• 损失函数、发放阈值（倒数第二层）[1]
• 输入量化、时间步骤数、泄漏因子[2]

6.对抗攻击类型：

• 白盒攻击、目标/非目标攻击[1]
• 白/黑盒攻击、非目标攻击（这里的黑盒攻击是由具有相同网络结构但不同初始化的ANN创建的）[2]
• 白/黑盒攻击、目标/非目标攻击[3]

7. SNN/ANN-crafted攻击的比较：

• 在独立攻击场景中，所有白盒攻击成功率都相当高[1]
• 利用ANN-crafted的对抗样本来欺骗SNN模型是非常困难的[1]
• 在黑盒设置下，ANN-crafted攻击比相应的SNN-crafted攻击强[2]
• 在白/黑盒设置中，SNN-crafted比ANN-crafted具有更强的攻击能力[3]
• 尽管在白盒设置中，SNN的精度下降要高于ANN，但SNN对黑盒攻击的抵抗力要比ANN高得多[3]

8. SNN/ANN健壮性的比较：

• 白盒攻击SNN模型比白盒攻击ANN模型需要更多的扰动，这反映了SNN模型具有更高的健壮性[1]
• 在白/黑盒攻击下，与SNN-BP网络的非脉冲对应以及SNN-conv网络相比，SNN-BP网络具有更强的健壮性[2]
• 对于白/黑盒攻击，SNN-BP比SNN-conv具有更强的健壮性[3]

9. SNN中神经元的选择：

• 在SNN（ANN）中每个卷积层、平均池化层和全连接层之后，都跟着LIF神经元（ReLU激活）[3]
• 为了避免负值，使用ReLU激活，然后用IF神经元替代ReLU激活[5-7]

10. SNN中池化的选择：

• SNN

  • 在SNN中，激活是二进制的，执行最大池化将导致下一层的大量信息丢失[3-6]

• SNN-conv

  • 将VGG的最大池化层用平均池化替代[2]
  • 最大池化需要两层脉冲网络；在CNN中，空间最大池化被实现为在输入中的小图像邻域上获取最大输出值； 在SNN中，我们需要两层神经网络来实现此目的，同时需要横向抑制，然后合并在这些小的图像区域上；这种方法需要更多的神经元，并且由于增加的复杂性而可能导致准确性下降[7]
  • 使用空间线性子采样代替空间最大池化；空间线性二次采样使用总和为1.0的均匀权重核将小图像邻域上的所有像素相加； 空间线性子采样函数可以轻松转换为脉冲域[7]
  • 在这里，我们提出了一种简单的脉冲池化机制，其中输出单元包含门控函数，该函数仅允许最大发放神经元的脉冲通过，而丢弃其他神经元的脉冲；通过计算突触前发放率的估计，例如通过计算这些rate的实时或指数加权平均值，来控制门控函数；在实践中，我们发现了几种有效的方法，但是仅使用有限的脉冲响应滤波器（2x2的最大池化层）来控制门控函数以证明结果[9]

• SNN-BP

  • 由于其简单性，我们使用平均池化； 在SNN的情况下，平均后会使用额外阈值以生成输出脉冲[8]

11. SNN中偏差的选择：

• SNN

  • 不含偏差项，因为它们对阈值电压有间接影响，因此对SNN训练的收敛性也有间接影响[2, 4]

• SNN-conv

  • 没有很好的方法来表示SNN中的偏差[5-7]
  • 在脉冲网络中，可以简单地以相同符号的恒定输入电流作为偏差来实现[9]
  • 可以用恒定rate的外部脉冲输入表示偏差，该rate与ANN偏差成正比，尽管如此，人们可能不得不反转脉冲的符号以解决负偏差[9]
  • BN的ANN-SNN转换（将BN参数整合到之前层的权重和偏差中）[9]

• SNN-BP

• 去除所有卷积层和全连接层中的偏差[7]

12. SNN中正则器的选择

• SNN

  • 在每个卷积层和全连接层之后，都跟着Dropout（0.2）[3]
  • 除非后面跟着一个池化层，否则在每个ReLU/IF之后都会使用一个Dropout层[2, 4]
  • 无偏差排除了Batch Normalization（BN）作为正则器使用的可能性[2, 4, 5]

• SNN-conv

  • 对于VGG网络，除非有池化层紧随其后，否则在每个ReLU层之后都会使用一个Dropout层[5]
  • 对于残差网络，我们仅对非等效并行路径上的ReLU使用Dropout，而在结合层处不使用[5]

• SNN-BP

  • 我们使用SNN版本的Dropout技术，忽略单元的概率（p）等于0.2-0.25；请注意，与ANN相比，SNN前向传播的激活要少得多，因此SNN的最佳p值必须小于典型的ANN Dropout（p = 0.5）[8]

Reference:

[1] Liang L , Hu X , Deng L , et al. Exploring Adversarial Attack in Spiking Neural Networks with Spike-Compatible Gradient[J]. 2020.

[2] Sharmin S , Rathi N , Panda P , et al. Inherent Adversarial Robustness of Deep Spiking Neural Networks: Effects of Discrete Input Encoding and Non-Linear Activations[J]. 2020.

[3] Sharmin S , Panda P , Sarwar S S , et al. A Comprehensive Analysis on Adversarial Robustness of Spiking Neural Networks[J]. 2019.

[4] Rathi, N., Srinivasan, G., Panda, P., Roy, K.: Enabling deep spiking neural networks with hybrid conversion and spike timing dependent backpropagation. In:ICLR (2020).

[5] Abhronil Sengupta, Yuting Ye, RobertWang, Chiao Liu, and Kaushik Roy. Going deeper in spiking neural networks: Vgg and residual architectures. Frontiers in neuroscience, 13, 2019.

[6] Peter U Diehl, Daniel Neil, Jonathan Binas, Matthew Cook, Shih-Chii Liu, and Michael Pfeiffer. Fast-classifying, high-accuracy spiking deep networks through weight and threshold balancing. In 2015 International Joint Conference on Neural Networks (IJCNN), pp. 1–8. IEEE, 2015.

[7] Cao Y , Chen Y , Khosla D . Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition[J]. International Journal of Computer Vision, 2015, 113(1):54-66.

[8] Chankyu Lee, Syed Shakib Sarwar, Kaushik Roy, Enabling Spike-based Backpropagation in State-of-the-art Deep Neural Network Architectures, arXiv:1903.06379, 2019.

[9] B. Rueckauer, I.-A. Lungu, Y. Hu, M. Pfeiffer, and S.-C. Liu. Conversion of continuous-valued deep networks to efficient event-driven networks for image classification. Frontiers in neuroscience, 11:682, 2017.