論文の概要: Universal Post-Training Backdoor Detection

• arxiv url: http://arxiv.org/abs/2205.06900v1
• Date: Fri, 13 May 2022 21:32:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-19 09:22:46.235904
• Title: Universal Post-Training Backdoor Detection
• Title（参考訳）: ユニバーサルトレーニング後バックドア検出
• Authors: Hang Wang, Zhen Xiang, David J. Miller, George Kesidis
• Abstract要約: 本稿では,BP型を仮定することなく任意のタイプのBPでBAを検出する汎用的なポストトレーニングディフェンスを提案する。 我々の検出器は、通常のクリーンサンプルを必要とせず、任意の数のソースクラスを持つBAを効率的に検出できるため、既存の学習方法と比較しても進歩している。
• 参考スコア（独自算出の注目度）: 27.62279831135902
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A Backdoor attack (BA) is an important type of adversarial attack against deep neural network classifiers, wherein test samples from one or more source classes will be (mis)classified to the attacker's target class when a backdoor pattern (BP) is embedded. In this paper, we focus on the post-training backdoor defense scenario commonly considered in the literature, where the defender aims to detect whether a trained classifier was backdoor attacked, without any access to the training set. To the best of our knowledge, existing post-training backdoor defenses are all designed for BAs with presumed BP types, where each BP type has a specific embedding function. They may fail when the actual BP type used by the attacker (unknown to the defender) is different from the BP type assumed by the defender. In contrast, we propose a universal post-training defense that detects BAs with arbitrary types of BPs, without making any assumptions about the BP type. Our detector leverages the influence of the BA, independently of the BP type, on the landscape of the classifier's outputs prior to the softmax layer. For each class, a maximum margin statistic is estimated using a set of random vectors; detection inference is then performed by applying an unsupervised anomaly detector to these statistics. Thus, our detector is also an advance relative to most existing post-training methods by not needing any legitimate clean samples, and can efficiently detect BAs with arbitrary numbers of source classes. These advantages of our detector over several state-of-the-art methods are demonstrated on four datasets, for three different types of BPs, and for a variety of attack configurations. Finally, we propose a novel, general approach for BA mitigation once a detection is made.
• Abstract（参考訳）: バックドア攻撃(英語: Backdoor attack, BA)は、ディープニューラルネットワーク分類器に対する重要な攻撃の一種であり、バックドアパターン(BP)が埋め込まれた場合、1つ以上のソースクラスのテストサンプルをアタッカーのターゲットクラスに(ミス)分類する。 本報告では,訓練後のバックドア防御シナリオを文献でよく検討し,訓練した分類器がバックドア攻撃を受けたかどうかを,訓練セットにアクセスせずに検出することを目的としている。 我々の知る限り、既存の訓練後バックドアディフェンスは全てBP型と推定されるBA向けに設計されており、各BP型には特定の埋め込み機能がある。 攻撃者が使用する実際のBPタイプ(ディフェンダーとは知られていない)がディフェンダーが想定するBPタイプとは異なる場合に失敗する可能性がある。 対照的に、BP型を仮定することなく任意のタイプのBPでBAを検出する普遍的なポストトレーニングディフェンスを提案する。 我々の検出器は、BP型とは独立にBAがソフトマックス層よりも前の分類器の出力のランドスケープに与える影響を活用している。 各クラスについて、ランダムベクトルの集合を用いて最大マージン統計を推定し、これらの統計に教師なし異常検出器を適用することで検出推論を行う。 したがって,本検出器は正規のクリーンサンプルを必要とせず,任意のソースクラスを持つBAを効率的に検出できるため,既存の学習方法と比較しても進歩している。 これらの検出手法の利点は、4つのデータセット、3種類のBP、および様々な攻撃構成において実証された。 最後に,検出が完了するとBA軽減のための新しい一般手法を提案する。

関連論文リスト

• 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)
• Backdoor Attack with Sparse and Invisible Trigger [57.41876708712008]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 バックドアアタックは、訓練段階の脅威を脅かしている。 軽度で目に見えないバックドアアタック(SIBA)を提案する。
  論文  参考訳（メタデータ） (2023-05-11T10:05:57Z)
• BEAGLE: Forensics of Deep Learning Backdoor Attack for Better Defense [26.314275611787984]
  攻撃法医学は、従来のサイバー攻撃に対する重要な対策である。 ディープラーニングのバックドア攻撃は、従来のサイバー攻撃と同様の脅威モデルを持つ。 本稿では,新しいバックドア法医学手法を提案する。
  論文  参考訳（メタデータ） (2023-01-16T02:59:40Z)
• BATT: Backdoor Attack with Transformation-based Triggers [72.61840273364311]
  ディープニューラルネットワーク(DNN)は、バックドア攻撃に対して脆弱である。 バックドアの敵は、敵が特定したトリガーパターンによって活性化される隠れたバックドアを注入する。 最近の研究によると、既存の攻撃のほとんどは現実世界で失敗した。
  論文  参考訳（メタデータ） (2022-11-02T16:03:43Z)
• Detecting Backdoors in Deep Text Classifiers [43.36440869257781]
  本稿では,テキスト分類モデルに対するバックドア攻撃を一般化する,最初の堅牢な防御機構を提案する。 我々の技術は、データ中毒や重毒など、最先端のバックドア攻撃に対する防御に極めて正確です。
  論文  参考訳（メタデータ） (2022-10-11T07:48:03Z)
• Contributor-Aware Defenses Against Adversarial Backdoor Attacks [2.830541450812474]
  敵のバックドア攻撃は 特定の事例を 狙った誤分類を行う能力を示した 本稿では,多元的,潜在的に敵対的なデータソースの存在下で学習するための,コントリビュータを意識したユニバーサル・ディフェンス・フレームワークを提案する。 本研究は,複数の同時敵からの敵のバックドア攻撃に対するフレームワークの堅牢性を示す実証的研究である。
  論文  参考訳（メタデータ） (2022-05-28T20:25:34Z)
• Test-Time Detection of Backdoor Triggers for Poisoned Deep Neural Networks [24.532269628999025]
  深層ニューラルネットワーク(DNN)に対するバックドア(トロイの木馬)攻撃が出現 本稿では,画像分類に対するバックドア攻撃に対する「飛行中」防御法を提案する。
  論文  参考訳（メタデータ） (2021-12-06T20:52:00Z)
• Check Your Other Door! Establishing Backdoor Attacks in the Frequency Domain [80.24811082454367]
  検出不能で強力なバックドア攻撃を確立するために周波数領域を利用する利点を示す。 また、周波数ベースのバックドア攻撃を成功させる2つの防御方法と、攻撃者がそれらを回避できる可能性を示す。
  論文  参考訳（メタデータ） (2021-09-12T12:44:52Z)
• 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)

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。