스파이킹 신경망의 적대적 강건성
최근 연구에 따르면 스파이킹 신경망(SNN)은 프레임 및 이벤트 기반 정보 환경에서 깨끗한 데이터와 거의 구별할 수 없는 적대적 예시에 취약합니다. 기존 연구들은 대부분 생물학적 타당성이 낮은 역전파(BPTT) 기반의 기울기 방식을 사용하여 적대적 예시를 생성하는 데 한계가 있었습니다. 반면, BPTT의 제약을 완화하는 지역 학습 방식은 적대적 공격 측면에서 충분히 탐구되지 않았습니다. 본 연구는 지역 학습 방식이 SNN의 신뢰성을 저해할 수 있는 적대적 취약점을 도입하는지 조사합니다. 이를 위해 네 가지 유형의 훈련 알고리즘 프레임워크를 통해 SNN의 적대적 강건성을 분석했습니다. 직접적인 기울기 기반 공격이 지역적으로 훈련된 모델에는 비효율적임을 심층 분석을 통해 밝혀냈습니다. 이러한 한계를 극복하고자 적대적 인스턴스의 전이성을 활용하는 하이브리드 적대적 공격 패러다임을 제안합니다. 제안된 하이브리드 접근 방식은 기존 적대적 공격 방법보다 우수한 성능을 보였습니다. 또한, 다단계 적대적 공격, 블랙박스 시나리오, 비스파이킹 도메인에서도 방법론의 일반화 가능성을 평가했습니다. 이 연구는 지역 학습 기반 SNN의 적대적 강건성에 대한 이해를 증진하고, 실제 배포 환경에서 SNN의 보안 및 신뢰성을 향상시키는 데 기여할 것입니다.