热点事件持续更新
研究发现脉冲神经网络能更有效防御模型窃取攻击
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
2026年10月28日，arXiv发布的一项基准研究显示，脉冲神经网络（SNN）在黑盒模型窃取攻击下比传统人工神经网络（ANN）更难被复制。在MNIST、Fashion-MNIST和CIFAR-10数据集的测试中，针对SNN构建的替代模型与目标模型的一致性降低了10%至20%，对抗迁移性降低了15%至25%。研究指出，SNN基于脉冲和时间动态的决策边界具有特殊性，即使在攻击者拥有高查询预算的情况下，该边界也极难被逼近。
AI 根据报道生成 · 7 小时前更新
最新进展10月28日 12:00
研究显示SNN比ANN更难被模型窃取攻击复制，替代模型一致性及对抗迁移性显著降低。报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv 人工智能脉冲神经网络更难被窃取：模型窃取攻击基准研究
基准研究表明，脉冲神经网络（SNN）在黑盒模型窃取攻击下比传统神经网络（ANN）更难被复制。在 MNIST、Fashion-MNIST 和 CIFAR-10 测试中，针对 SNN 的替代模型与目标模型一致性低 10% 至 20%，对抗迁移性低 15% 至 25%。其基于脉冲和时间动态的决策边界即使在高查询预算下也极难被逼近。
本事件热度走势
当前热度 8·可比范围峰值 10（10月28日 13:00）·近 24 小时可比范围变化 –
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。