論文の概要: Anti-Backdoor Learning: Training Clean Models on Poisoned Data
- arxiv url: http://arxiv.org/abs/2110.11571v1
- Date: Fri, 22 Oct 2021 03:30:48 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-26 01:32:55.620186
- Title: Anti-Backdoor Learning: Training Clean Models on Poisoned Data
- Title（参考訳）: アンチバックドア学習:中毒データによるクリーンモデルのトレーニング
- Authors: Yige Li, Xixiang Lyu, Nodens Koren, Lingjuan Lyu, Bo Li, Xingjun Ma
- Abstract要約: ディープニューラルネットワーク(DNN)に対するセキュリティ上の脅威としてバックドア攻撃が出現
本稿では,裏打ちされたデータに基づいてクリーンなモデルをトレーニングすることを目的とした,アンファンティ・バックドア学習の概念を紹介する。
バックドアポゾンデータ上でのABL学習モデルは、純粋にクリーンなデータでトレーニングされたのと同じ性能を実証的に示す。
- 参考スコア（独自算出の注目度）: 17.648453598314795
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Backdoor attack has emerged as a major security threat to deep neural
networks (DNNs). While existing defense methods have demonstrated promising
results on detecting and erasing backdoor triggers, it is still not clear if
measures can be taken to avoid the triggers from being learned into the model
in the first place. In this paper, we introduce the concept of
\emph{anti-backdoor learning}, of which the aim is to train clean models on
backdoor-poisoned data. We frame the overall learning process as a dual-task of
learning the clean portion of data and learning the backdoor portion of data.
From this view, we identify two inherent characteristics of backdoor attacks as
their weaknesses: 1) the models learn backdoored data at a much faster rate
than learning clean data, and the stronger the attack the faster the model
converges on backdoored data; and 2) the backdoor task is tied to a specific
class (the backdoor target class). Based on these two weaknesses, we propose a
general learning scheme, Anti-Backdoor Learning (ABL), to automatically prevent
backdoor attacks during training. ABL introduces a two-stage \emph{gradient
ascent} mechanism into standard training to 1) help isolate backdoor examples
at an early training stage, and 2) break the correlation between backdoor
examples and the target class at a later training stage. Through extensive
experiments on multiple benchmark datasets against 10 state-of-the-art attacks,
we empirically show that ABL-trained models on backdoor-poisoned data achieve
the same performance as they were trained on purely clean data. Code is
available at \underline{https://github.com/bboylyg/ABL}.
- Abstract（参考訳）: バックドア攻撃はディープニューラルネットワーク(DNN)に対する主要なセキュリティ脅威として浮上している。
既存の防衛手法はバックドアトリガの検出と消去に有望な結果を示してきたが、そもそもトリガがモデルに学習されることを避けるための措置がとれるかは明らかになっていない。
本稿では,バックドア汚染データを用いたクリーンモデルの学習を目的とした,emph{anti-backdoor learning}の概念を紹介する。
学習プロセス全体を、データのクリーンな部分を学び、データのバックドア部分を学ぶための2つのタスクとして捉えています。
この観点から、バックドア攻撃の2つの特徴を弱点として認識する。
1)モデルはクリーンなデータを学ぶよりもずっと速い速度でバックドア付きデータを学習し,攻撃が強ければ早いほどバックドア付きデータに収束する。
2) バックドアタスクは特定のクラス(バックドアターゲットクラス)に結び付けられます。
これら2つの弱点に基づき、トレーニング中のバックドア攻撃を自動的に防止する一般的な学習手法であるアンチバックドア学習(ABL)を提案する。
ablは標準的なトレーニングに2段階の\emph{gradient ascent}メカニズムを導入
1)早期研修段階におけるバックドア事例の分離を支援し,
2)後段の訓練段階において,バックドア例と対象クラスとの相関関係を破る。
10回の最先端攻撃に対する複数のベンチマークデータセットの広範囲な実験を通じて、ablで訓練されたモデルが純粋にクリーンなデータでトレーニングされたデータと同等のパフォーマンスを達成できることを実証的に示した。
コードは \underline{https://github.com/bboylyg/ABL} で入手できる。
関連論文リスト
- Expose Before You Defend: Unifying and Enhancing Backdoor Defenses via Exposed Models [68.40324627475499]
本稿では,Expose Before You Defendという新しい2段階防衛フレームワークを紹介する。
EBYDは既存のバックドア防御手法を総合防衛システムに統合し、性能を向上する。
2つの視覚データセットと4つの言語データセットにまたがる10のイメージアタックと6つのテキストアタックに関する広範な実験を行います。
論文 参考訳（メタデータ） (2024-10-25T09:36:04Z) - 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) - Exploiting the Vulnerability of Large Language Models via Defense-Aware Architectural Backdoor [0.24335447922683692]
基盤となるモデルアーキテクチャ内に隠蔽する新しいタイプのバックドアアタックを導入します。
モデルアーキテクチャレイヤのアドオンモジュールは、入力トリガトークンの存在を検出し、レイヤの重みを変更することができる。
我々は,5つの大言語データセットの2つのモデルアーキテクチャ設定を用いて,攻撃方法を評価するための広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-09-03T14:54:16Z) - Flatness-aware Sequential Learning Generates Resilient Backdoors [7.969181278996343]
近年、バックドア攻撃は機械学習モデルのセキュリティに対する新たな脅威となっている。
本稿では,連続学習(CL)技術を活用して,バックドアのCFに対処する。
レジリエントなバックドアを生成可能な,SBL(Sequential Backdoor Learning)という新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-20T03:30:05Z) - Mitigating Backdoor Attack by Injecting Proactive Defensive Backdoor [63.84477483795964]
データ中毒のバックドア攻撃は、機械学習モデルにとって深刻なセキュリティ上の脅威である。
本稿では,トレーニング中のバックドアディフェンスに着目し,データセットが有害になりうる場合でもクリーンなモデルをトレーニングすることを目的とした。
PDB(Proactive Defensive Backdoor)と呼ばれる新しい防衛手法を提案する。
論文 参考訳（メタデータ） (2024-05-25T07:52:26Z) - Rethinking Backdoor Attacks [122.1008188058615]
バックドア攻撃では、悪意ある構築されたバックドアの例をトレーニングセットに挿入し、結果のモデルを操作に脆弱にする。
このような攻撃に対する防御は、典型的には、これらの挿入された例をトレーニングセットの外れ値として見ることと、堅牢な統計からのテクニックを使用してそれらを検出し、削除することである。
トレーニングデータ分布に関する構造情報がなければ,バックドア攻撃は自然に発生するデータの特徴と区別できないことを示す。
論文 参考訳（メタデータ） (2023-07-19T17:44:54Z) - Can Backdoor Attacks Survive Time-Varying Models? [35.836598031681426]
バックドアはディープニューラルネットワーク(DNN)に対する強力な攻撃
バックドア攻撃が時間変化DNNモデルのより現実的なシナリオに与える影響について検討する。
以上の結果から, ワンショットバックドア攻撃は, 数回のモデル更新以降は生き残らないことが明らかとなった。
論文 参考訳（メタデータ） (2022-06-08T01:32:49Z) - Black-box Detection of Backdoor Attacks with Limited Information and
Data [56.0735480850555]
モデルへのクエリアクセスのみを用いてバックドア攻撃を同定するブラックボックスバックドア検出(B3D)手法を提案する。
バックドア検出に加えて,同定されたバックドアモデルを用いた信頼性の高い予測手法を提案する。
論文 参考訳（メタデータ） (2021-03-24T12:06:40Z) - Backdoor Learning: A Survey [75.59571756777342]
バックドア攻撃はディープニューラルネットワーク(DNN)に隠れたバックドアを埋め込む
バックドア学習は、急速に成長する研究分野である。
本稿では,この領域を包括的に調査する。
論文 参考訳（メタデータ） (2020-07-17T04:09:20Z) - Blind Backdoors in Deep Learning Models [22.844973592524966]
本稿では,機械学習モデルにバックドアを注入する新しい手法について検討する。
従来の文献よりも厳格に強力なバックドアの新たなクラスを実証するために使用しています。
攻撃者はトレーニングデータを変更したり、コードの実行を観察したり、結果のモデルにアクセスしたりすることができません。
論文 参考訳（メタデータ） (2020-05-08T02:15:53Z)
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。