論文の概要: EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks

• arxiv url: http://arxiv.org/abs/2011.00101v2
• Date: Sat, 2 Jan 2021 23:16:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-01 17:37:18.189956
• Title: EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks
• Title（参考訳）: eegベースの脳コンピューターインタフェースはバックドア攻撃に弱い
• Authors: Lubin Meng, Jian Huang, Zhigang Zeng, Xue Jiang, Shan Yu, Tzyy-Ping Jung, Chin-Teng Lin, Ricardo Chavarriaga, Dongrui Wu
• Abstract要約: 近年の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,脳波をベースとしたBCIの毒殺攻撃に狭周期パルスを用いることを提案する。
• 参考スコア（独自算出の注目度）: 68.01125081367428
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Research and development of electroencephalogram (EEG) based brain-computer interfaces (BCIs) have advanced rapidly, partly due to deeper understanding of the brain and wide adoption of sophisticated machine learning approaches for decoding the EEG signals. However, recent studies have shown that machine learning algorithms are vulnerable to adversarial attacks. This article proposes to use narrow period pulse for poisoning attack of EEG-based BCIs, which is implementable in practice and has never been considered before. One can create dangerous backdoors in the machine learning model by injecting poisoning samples into the training set. Test samples with the backdoor key will then be classified into the target class specified by the attacker. What most distinguishes our approach from previous ones is that the backdoor key does not need to be synchronized with the EEG trials, making it very easy to implement. The effectiveness and robustness of the backdoor attack approach is demonstrated, highlighting a critical security concern for EEG-based BCIs and calling for urgent attention to address it.
• Abstract（参考訳）: 脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)の研究と開発は、脳の深い理解と脳波信号を復号するための高度な機械学習アプローチの広範な採用により、急速に進んでいる。 しかし、最近の研究では、機械学習アルゴリズムは敵攻撃に弱いことが示されている。 本稿では,実際に実施可能であり,これまで検討されたことのない脳波ベースのbcisの毒殺攻撃に,狭周期パルスを用いる方法を提案する。 トレーニングセットに毒素サンプルを注入することで、マシンラーニングモデルに危険なバックドアを作成することができる。 バックドアキーを使ったテストサンプルは、攻撃者が指定したターゲットクラスに分類される。 私たちのアプローチと以前のアプローチを最も区別しているのは、バックドアキーがEEGトライアルと同期する必要がなく、実装が非常に簡単であることです。 バックドアアタックアプローチの有効性と堅牢性が示され、脳波ベースのBCIにとって重要なセキュリティ上の懸念が浮き彫りになり、それに対応するために緊急の注意を喚起する。

関連論文リスト

• Alignment-Based Adversarial Training (ABAT) for Improving the Robustness and Accuracy of EEG-Based BCIs [20.239554619810935]
  ABATは、敵の訓練の前にEEGデータアライメントを実行する。 データアライメントは、異なるドメインからのEEGトライアルを調整して、分散の相違を減らす。 敵の訓練は 分類境界をさらに強固にする
  論文  参考訳（メタデータ） (2024-11-04T13:56:54Z)
• Professor X: Manipulating EEG BCI with Invisible and Robust Backdoor Attack [4.579605201643072]
  X教授は、EEG BCIの出力を任意に操作できる、目に見えない頑健な「ミンドコントローラ」である。 3つの共通脳波課題のデータセットの実験は、X教授の有効性と堅牢性を示している。
  論文  参考訳（メタデータ） (2024-09-30T10:10:52Z)
• Efficient Backdoor Defense in Multimodal Contrastive Learning: A Token-Level Unlearning Method for Mitigating Threats [52.94388672185062]
  本稿では,機械学習という概念を用いて,バックドアの脅威に対する効果的な防御機構を提案する。 これは、モデルがバックドアの脆弱性を迅速に学習するのを助けるために、小さな毒のサンプルを戦略的に作成することを必要とする。 バックドア・アンラーニング・プロセスでは,新しいトークン・ベースの非ラーニング・トレーニング・システムを提案する。
  論文  参考訳（メタデータ） (2024-09-29T02:55:38Z)
• Adversarial Artifact Detection in EEG-Based Brain-Computer Interfaces [28.686844131216287]
  機械学習は脳波(EEG)に基づく脳-コンピュータインターフェース(BCI)において大きな成功を収めた 近年の研究では、脳波に基づくBCIは敵の攻撃に弱いことが示されており、入力に小さな摂動が加えられると誤分類が生じる可能性がある。 本稿では,脳波によるBCIの逆検出を初めて検討する。
  論文  参考訳（メタデータ） (2022-11-28T11:05:32Z)
• Invisible Backdoor Attack with Dynamic Triggers against Person Re-identification [71.80885227961015]
  個人再識別(ReID)は、広範囲の現実世界のアプリケーションで急速に進展しているが、敵攻撃の重大なリスクも生じている。 動的トリガー・インビジブル・バックドア・アタック(DT-IBA)と呼ばれる,ReIDに対する新たなバックドア・アタックを提案する。 本研究は,提案したベンチマークデータセットに対する攻撃の有効性と盗聴性を広範囲に検証し,攻撃に対する防御手法の有効性を評価する。
  論文  参考訳（メタデータ） (2022-11-20T10:08:28Z)
• Adversarial EXEmples: A Survey and Experimental Evaluation of Practical Attacks on Machine Learning for Windows Malware Detection [67.53296659361598]
  EXEmplesは、比較的少ない入力バイトを摂動することで、機械学習に基づく検出をバイパスすることができる。 我々は、機械学習モデルに対する過去の攻撃を包含し、一般化するだけでなく、3つの新たな攻撃を含む統一フレームワークを開発する。 これらの攻撃はFull DOS、Extended、Shiftと呼ばれ、DOSヘッダをそれぞれ操作し、拡張し、第1セクションの内容を変更することで、敵のペイロードを注入する。
  論文  参考訳（メタデータ） (2020-08-17T07:16:57Z)
• Classification and Recognition of Encrypted EEG Data Neural Network [10.171935814743678]
  ニューラルネットワークに基づく暗号化脳波データの分類と認識手法を提案する。 EEGデータを暗号化するためにPaillier暗号化アルゴリズムを採用し、浮動小数点演算の問題を解決する。 我々の提案は、他のソリューションと比較して十分な精度、効率、実現可能性を持っている。
  論文  参考訳（メタデータ） (2020-06-15T04:21:23Z)
• Tiny noise, big mistakes: Adversarial perturbations induce errors in Brain-Computer Interface spellers [45.439697770189134]
  脳波(EEG)ベースの脳コンピュータインタフェース(BCI)スペルにより、ユーザは思考によってコンピュータにテキストを入力できる。 この研究は、初めて、P300と定常状態の視覚誘発電位BCIスペルが非常に脆弱であることを示した。
  論文  参考訳（メタデータ） (2020-01-30T21:18:46Z)
• EEG-based Brain-Computer Interfaces (BCIs): A Survey of Recent Studies on Signal Sensing Technologies and Computational Intelligence Approaches and their Applications [65.32004302942218]
  Brain-Computer Interface (BCI) はユーザとシステム間の強力なコミュニケーションツールである。 近年の技術進歩は、脳波(EEG)に基づく翻訳医療用BCIへの関心が高まっている。
  論文  参考訳（メタデータ） (2020-01-28T10:36:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。