DPSNN: A Differentially Private Spiking Neural Network with Temporal Enhanced Pooling

要約

タイトル：DPSNN：時間的強化プーリングを備えた差分プライバシーを保持するスパイクニューラルネットワーク

要約：

– プライバシー保護は機械学習アルゴリズムにおいて重要な問題であり、現在のプライバシー保護は実数に基づく伝統的な人工ニューラルネットワークに組み合わされている。
– スパイクニューラルネットワーク（SNN）は、新しい人工ニューラルネットワークの世代であり、多くの分野で重要な役割を果たしているため、SNNのプライバシー保護に関する研究が急務である。
– 本論文では、差分プライバシーアルゴリズムをSNNに組み合わせ、差分プライバシーを保持するスパイクニューラルネットワーク（DPSNN）を提案しています。
– DPSNNは、グラディエントノイズを導入してSNNが強力なプライバシー保護を維持するようにする離散スパイクシーケンスを使用します。
– 同時に、高いプライバシー保護を取得しながら、SNNが高い性能を維持するために、時間的強化プーリング（TEP）手法を提案しています。
– TEP手法は、SNNの時間情報を空間情報伝送に完全に統合するため、SNNがより良い情報伝達を行うことができます。
– 静的およびニューロモーフィックデータセットで実験を行った結果、提案されたアルゴリズムは強力なプライバシー保護を提供しながら高い性能を維持していることが示されました。

要約(オリジナル)

Privacy protection is a crucial issue in machine learning algorithms, and the current privacy protection is combined with traditional artificial neural networks based on real values. Spiking neural network (SNN), the new generation of artificial neural networks, plays a crucial role in many fields. Therefore, research on the privacy protection of SNN is urgently needed. This paper combines the differential privacy(DP) algorithm with SNN and proposes a differentially private spiking neural network (DPSNN). The SNN uses discrete spike sequences to transmit information, combined with the gradient noise introduced by DP so that SNN maintains strong privacy protection. At the same time, to make SNN maintain high performance while obtaining high privacy protection, we propose the temporal enhanced pooling (TEP) method. It fully integrates the temporal information of SNN into the spatial information transfer, which enables SNN to perform better information transfer. We conduct experiments on static and neuromorphic datasets, and the experimental results show that our algorithm still maintains high performance while providing strong privacy protection.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI