SCIB：条件信息瓶颈提升SNN鲁棒性

基于摘要分析。本文针对脉冲神经网络（SNNs）在输入扰动、硬件内在噪声及对抗攻击下的脆弱性，提出基于 Conditional Information Bottleneck 的鲁棒学习目标 SCIB；主要研究对象是图像分类 SNN，而非 EEG/BCI。 作者的信息平面分析显示，在标签预测信息趋于稳定后，常规交叉熵训练的 SNN 隐表征仍可能保留较多输入相关信息，作者据此将鲁棒性不足部分归因于输入特异性表征。SCIB 将传统变分信息瓶颈中的互信息压缩项 I(X;S) 替换为条件互信息 I(X;S|Y)，并推导可计算的变分上界；同时使用可学习的类别条件先验，替代不区分类别的各向同性高斯先验，与监督分类目标结合，促进具有类别结构的表征。具体上界、分布参数化和优化设置尚未验证。 作者报告，在 Fashion-MNIST、CIFAR-10 和 CIFAR-100 上，针对外部环境噪声、神经形态硬件噪声及对抗攻击的评估中，SCIB 在多数所测噪声条件下优于标准 SNN 和基于信息瓶颈的基线，并在未采用对抗训练的情况下提高了所测攻击下的对抗准确率。作者另报告，相对无约束 SNN 基线，基于 SynOps 估算的单样本推理能耗降低 24.9%；该数值不应等同于实测硬件功耗，摘要未给出其具体数据集与配置归属。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 分类中的被试或会话干扰对应于给定标签后仍保留的输入信息，条件压缩可能有助于抑制这类干扰。可复用部分是条件信息瓶颈目标与类别条件先验；需改造 EEG 输入编码和时序表征，并依赖任务标签估计类别结构。低信噪比、小数据及跨被试差异可能使压缩误删有效信号，或使先验难以泛化。一个可检验的小实验是在相同 EEG 编码、SNN 主干和跨被试划分下，对比交叉熵、常规信息瓶颈与 SCIB，同时评估分类表现、受控噪声下的性能变化及 SynOps。已有 EEG 相关工作尚未检索确认。