研究提出SDMI方法揭示忆阻脉冲神经网络反演泄露
热点事件观察中
研究提出SDMI方法揭示忆阻脉冲神经网络反演泄露
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
Pablo Sorrentino 提出 Spiking Domain Model Inversion（SDMI）方法，结合 Expectation over Transformation 与代理梯度，在忆阻交叉阵列的脉冲神经网络上优化输入，以实施模型反演并评估泄露。 在四个数据集上，重建泄露并不随模型准确率或硬件变异性单调变化。在准确率相当的情况下，神经元阈值扰动使以 SSIM 衡量的重建保真度最高提升 51.8%；脉冲层面扰动则主要损害模型效用，未持续改善重建；权重噪声在同一反演流程下反而降低泄露。
AI 根据报道生成 · 4 小时前更新
最新进展10月29日 17:29
忆阻脉冲神经网络中的硬件感知模型反演报道时间线
沿着报道，了解事件的不同侧面。
10月29日
- arXiv 隐私论文忆阻脉冲神经网络中的硬件感知模型反演
研究提出 Spiking Domain Model Inversion（SDMI）方法，结合 Expectation over Transformation（EOT）与代理梯度，在忆阻交叉阵列上的脉冲神经网络中优化输入以实施模型反演。
本事件热度走势
- 可比范围当前
- 5
- 可比范围峰值
- 610月30日 14:00
- 近 24 小时变化
- –
0246
14:0015:0016:0017:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。