Un Protocolo de Aprendizaje Federado para Sistemas de Membrana Neuronal de Pulsos

Aunque los modelos de aprendizaje profundo han mostrado resultados prometedores para resolver problemas relacionados con el reconocimiento de imágenes o el procesamiento del lenguaje natural, no coinciden con el funcionamiento del cerebro biológico. Algunas de las diferencias incluyen la cantidad de energía consumida, la forma en que las neuronas se comunican o la manera en que aprenden. Para cerrar la brecha entre las redes neuronales artificiales y las biológicas, los investigadores propusieron la red neuronal de pulsos. Los sistemas LSN P de neuronas pulsantes son redes de neuronas pulsantes utilizadas para resolver diversos problemas de clasificación. En este documento, estudiamos los sistemas LSN P en el contexto de una arquitectura cliente-servidor de aprendizaje federado sobre datos particionados horizontalmente. Analizamos las implicaciones de privacidad de los sistemas LSN P preentrenados a través de ataques de inferencia de membresía. También realizamos experimentos para evaluar el rendimiento de un sistema LSN P entrenado en la configuración de aprendizaje federado. Nuestros hallazgos sugieren que los sistemas LSN P demuestran una mayor precisión y una convergencia más rápida en comparación con los algoritmos federados basados en perceptrones o redes neuronales de pulsos.