스파이킹 신경망(Spiking Neural Networks, SNNs)은 에너지 효율성과 뉴로모픽 데이터 처리를 위한 적합성으로 인해 점차 더 많은 관심을 받고 있다. 이러한 장점에도 불구하고, SNN의 보안—특히 백도어 공격(backdoor attacks)에 대한 견고성—은 여전히 충분히 탐구되지 않았다. 본 연구는 딥 신경망에서 널리 사용되는 백도어 방어 기법인 미세가지치기(fine-pruning)를 재검토하고, SNN의 고유한 시공간적 특성에 맞게 이를 적응시킨다. 우리는 SNN 전용 두 가지 미세가지치기 방법, 즉 후크–서로게이트 그래디언트 기반 미세가지치기(Hook–Surrogate Gradient-based fine-pruning, HS-FP)와 스파이크–STDP 기반 미세가지치기(Spike–STDP-based fine-pruning, SS-FP)를 제안한다. HS-FP는 서로게이트 그래디언트 학습과 결합된 후크 기반 활성 분석을 활용하는 반면, SS-FP는 총 스파이크 활동을 STDP와 서로게이트 그래디언트를 혼합한 미세조정(fine-tuning)으로 통합한다. 우리는 두 방법을 두 가지 뉴로모픽 벤치마크인 N-MNIST와 DVS128-Gesture에서 정적(static), 이동(moving), 그리고 스마트(smart) 백도어 공격에 대해 평가한다. 실험 결과, 두 접근법 모두 공격 성공률을 약 10%까지 낮추면서 N-MNIST에서 99% 이상의 모델 정확도를 보존하고, DVS128-Gesture에서는 상당한 복구(recovery)를 달성함이 확인되었다. 또한 분석을 통해, 딥 신경망에서 미세가지치기 기반 방어에서 관찰되는 여러 현상—예컨대 혼합 기능 뉴런(mixed-function neurons)과 미세조정 중 백도어 재활성화(backdoor reactivation)—가 SNN에서도 동일하게 나타남을 확인하였다. 이러한 결과는 SNN 영역에서 미세가지치기의 효과와 한계를 동시에 부각시키며, 기존 DNN 보안 방법론을 뉴로모픽 시스템으로 확장하기 위한 유망한 방향을 시사한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.