PulseAugur
中
实时 07:21:19

新的GCB框架增强了神经网络后门攻击的隐蔽性

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为生成式干净图像后门（GCB）的新框架，以解决深度神经网络中的隐蔽后门攻击问题。现有方法通常会损害模型准确性以维持隐蔽性，但GCB使用条件InfoGAN来识别充当有效且隐蔽触发器的自然图像特征。这种方法允许模型学习后门，同时干净准确性下降不到1%，并且在各种数据集、架构和任务（包括回归和分割）中都显示出通用性。GCB还对常见的后门防御机制表现出抵抗力。 AI

影响 这项研究可能有助于提高AI系统中针对复杂后门攻击的鲁棒性防御能力。

排序理由 研究论文，详细介绍了一种针对神经网络的新的后门攻击方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的GCB框架增强了神经网络后门攻击的隐蔽性

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Binyan Xu, Fan Yang, Di Tang, Xilin Dai, Kehuan Zhang ·

    通过生成式触发器优化打破干净图像后门中的隐匿-效力权衡

    arXiv:2511.07210v3 Announce Type: replace-cross Abstract: Clean-image backdoor attacks, which use only label manipulation in training datasets to compromise deep neural networks, pose a significant threat to security-critical applications. A critical flaw in existing methods is t…

相关话题