陈林果;黄荣;韩芳;针对脉冲神经网络(spike neural networks,SNN)在对抗攻击下表现出的低鲁棒性问题,提出一种受生物视觉启发的高鲁棒性脉冲循环神经网络模型。该模型引入了初级视觉皮层V1区域的生物机制,设计了一个受到生物约束的卷积SNN前端。此外,通过结合视觉信息在皮层中的反馈连接,构建了具有内部循环机制的SNN后端。在无对抗训练的情况下,该模型在基于脉冲频率的快速梯度符号法(fast gradient sign method,FGSM)攻击下,分别在SVHN,CIFAR10,CIFAR100数据集上实现了显著提升的对抗准确率,分别提升了31.6%,22.11%和20.99%。在对抗训练的情况下,其对抗准确率分别提升了20.64%,8.79%和6.89%。随着扰动因子ε和时间窗口T的增加,该模型的准确率始终优于基准模型。实验结果表明,在面对对抗攻击时,融入生物视觉机制的脉冲循环神经网络模型的准确率显著提升,展现出更强的对抗鲁棒性。
2026年01期 v.47;No.189 24-32页 [查看摘要][在线阅读][下载 1376K] [下载次数:129 ] |[网刊下载次数:0 ] |[引用频次:0 ] |[阅读次数:10 ]