忆阻脉冲神经网络中的硬件感知模型反演

在忆阻交叉阵列上实现的硬件加速脉冲神经网络（SNN）在能效方面带来显著收益，而器件变异性和模拟噪声有时被认为会阻碍信息提取。然而，这些硬件效应在部署后是改善、保持还是降低隐私性，在很大程度上仍未被探索。因此，我们提出疑问：在 SNN 上刻画的模型反演泄漏，在将同一模型映射到非理想忆阻基底之后是否仍具有代表性，以及影响突触、神经元阈值和脉冲处理的硬件非理想性与可靠性故障如何重塑这种泄漏。为研究这一问题，我们引入脉冲域模型反演（SDMI），这是一种将变换期望（EOT）与替代梯度相结合的反演方法，通过随机模拟行为和不可微的脉冲动力学来优化输入。我们在 SNN 模型、其忆阻 SNN 以及在额外硬件扰动下的同一忆阻 SNN 上一致地使用 SDMI。在四个数据集上，重建泄漏并不随模型准确率或硬件变异性单调变化。在相当的准确率水平下，神经元阈值扰动使以 SSIM 衡量的重建保真度最高提升 51.8%，而脉冲级扰动主要降低效用，并未一致地改善重建。相比之下，权重噪声在同一反演过程下降低了泄漏。这些结果表明，硬件变异性并非天然具有隐私保护性：忆阻 SNN 中的模型反演泄漏取决于硬件状态，不能仅从模型准确率推断。

中文由 AI 翻译，仅供参考，以原文为准。