PulseAugur
中
实时 07:51:05
English(EN) CLIP-Guided Backdoor Defense through Entropy-Based Poisoned Dataset Separation

新的CLIP引导防御有效中和DNN后门攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为CLIP引导后门防御（CGD）的新方法，以对抗深度神经网络（DNN）中的后门攻击。该技术利用公开可用的CLIP模型来区分干净和被污染的训练数据。通过使用CLIP的输出来指导，CGD在保持高干净准确率的同时有效中和后门，在各种攻击类型和数据集上展示了比现有防御措施的显著改进。 AI

影响 这种防御机制可以显著提高AI模型免受恶意数据中毒的安全性，增强对AI部署的信任。

排序理由 该集群描述了一篇研究论文，详细介绍了一种防御深度神经网络后门攻击的新方法。[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CLIP引导防御有效中和DNN后门攻击

报道来源 [1]

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

    CLIP引导的基于熵的恶意数据集分离的后门防御

    arXiv:2507.05113v3 Announce Type: replace-cross Abstract: Deep Neural Networks (DNNs) are susceptible to backdoor attacks, where adversaries poison training data to implant backdoor into the victim model. Current backdoor defenses on poisoned data often suffer from high computati…

相关实体

相关话题