Backdoor erasoak spiking sare neuronaletan datu neuromorfikoekin

Laburpena

Sare neuronalek errendimendu bikaina erakutsi dute hainbat atazetan, irudien eta hizketaren ezagutzan besteak beste. Hala ere, sare neuronalen eraginkortasunik handiena lortzeko, sareko parametro asko zehaztasunez optimizatu behar dira entrenamenduan zehar. Gainera, errendimendu handiko sareek parametro ugari dituzte, eta horiek energia asko kontsumitzen dute prestakuntzan. Erronka horiei aurre egiteko, ikertzaileek inpultsuzko sare neuronaletara jo dute, ingelesez: spiking neural network (SNN), energia-eraginkortasun hobeak eta biologikoki antzekoagoak direlako. Gainera, datu-prozesatze gaitasuna eskaintzen dute; horri esker, oso egokiak dira datu neuromorfikoetan. Hala ere, abantaila hauek izan arren, SNN-ek, saren neuronalek bezala, hainbat mehatxuren aurrean ahulak dira, besteak beste adibide maltzurren eta atzeko atetiko, ingelesez: backdoor, erasoen aurrean. Alabaina, eraso horiek ulertu eta haien aurka egiteko, SNN-en arloan oraindik ez da nahikoa ikertu. Lan honek SNN-etan datu neuromorfikoak erabiliz backdoor erasoak aztertzen ditu. Zehazki, datu neuromorfikoen backdoor abiarazleak nola kokatu eta koloreak nola manipula daitezkeen aztertzen dugu, irudi-domeinuko abiarazle ohikoek baino aukera zabalagoak eskainiz. Aurkezten ditugun eraso-estrategiek %100erainoko arrakasta lor dezakete.