본 논문은 에너지 효율성과 견고성으로 주목받는 스파이킹 신경망(SNNs)의 프라이버시 위험성을 조사합니다. 특히, 멤버십 추론 공격(MIAs)에 대한 SNNs의 취약성을 분석하며, 기존 연구에서 제시된 SNNs의 고유한 강건성이 지연(T)이 증가함에 따라 감소함을 밝힙니다. 또한, 블랙박스 설정 하에 입력 드롭아웃 전략을 도입하여 SNNs에서의 멤버십 추론을 상당히 향상시키는 방법을 제시합니다. 결과적으로, SNNs가 본질적으로 더 안전하다는 가정에 의문을 제기하며, SNNs가 인공 신경망(ANNs)과 비슷한 수준의 프라이버시 취약성을 가지고 있음을 보여줍니다.
