English(EN) D-ADD: An Effective Plug-In for Defending Against Model Stealing

新的D-ADD系统可防御AI模型窃取攻击

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员开发了一种名为D-ADD的新型防御机制，旨在保护AI模型免遭窃取。该系统使用一种面向账户的分布差异检测器，通过分析用户账户内的本地查询依赖关系来识别恶意查询。D-ADD将每个类构建为多元正态分布，并基于分布差异计算恶意分数，同时增强了以管理域偏移。大量实验表明，D-ADD能够有效防御各种模型窃取攻击，同时对合法用户的负面影响最小。 AI

影响这项研究引入了一种新颖的防御机制，可以保护专有AI模型免遭未经授权的复制，这可能会影响AI技术的商业化和安全性。

排序理由该集群包含一篇详细介绍针对AI模型窃取的新型防御机制的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍针对AI模型窃取的新型防御机制的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Jian-Ping Mei, Weibin Zhang, Jie Chen, Xuyun Zhang, Tiantian Zhu · 2026-09-10 04:00

D-ADD：一种有效的防御模型窃取的插件

arXiv:2503.12497v2 Announce Type: replace-cross Abstract: Malicious users attempt to replicate commercial models functionally at low cost by training a clone model with query responses. Timely prevention of such model-stealing attacks is challenging, as it requires achieving robu…

本文如何被排名

报道来源 [1]

D-ADD：一种有效的防御模型窃取的插件

相关实体

相关话题