PulseAugur
中
实时 10:57:33
English(EN) When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning

新的CASCADE框架增强了多模态学习中的后门检测能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为CASCADE的新框架，用于检测多模态对比学习（MCL）中的后门攻击。现有方法通常依赖CLIPScore指标，但由于重叠的分数分布和模糊样本缺乏统计保证，这种方法存在局限性。CASCADE集成了共形预测，为识别被污染的图像-字幕对提供可证明的置信度界限，并采用两阶段的粗粒度到细粒度检测过程。在CC3M数据集上的实验表明，CASCADE在各种攻击下都有效，实现了高准确性和鲁棒性。 AI

影响 引入了一种更鲁棒的方法来检测多模态AI系统中的对抗性攻击，这对于安全部署至关重要。

排序理由 学术论文，详细介绍了一种检测机器学习模型安全漏洞的新方法。[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CASCADE框架增强了多模态学习中的后门检测能力

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yiming Chen, Kemou Li, Haiwei Wu, Jiantao Zhou ·

    When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning

    arXiv:2608.04052v1 Announce Type: cross Abstract: Backdoor attacks in multimodal contrastive learning (MCL) have garnered growing attention in recent years, as many downstream tasks critically depend on pre-trained MCL models. Existing detection-based defenses predominantly rely …

相关实体

相关话题