論文の概要: BackdoorBench: A Comprehensive Benchmark of Backdoor Learning

• arxiv url: http://arxiv.org/abs/2206.12654v1
• Date: Sat, 25 Jun 2022 13:48:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 16:37:28.172686
• Title: BackdoorBench: A Comprehensive Benchmark of Backdoor Learning
• Title（参考訳）: BackdoorBench: バックドア学習の総合ベンチマーク
• Authors: Baoyuan Wu, Hongrui Chen, Mingda Zhang, Zihao Zhu, Shaokui Wei, Danni Yuan, Chao Shen, Hongyuan Zha
• Abstract要約: バックドア学習は、ディープニューラルネットワーク(DNN)の脆弱性を研究する上で、新しく重要なトピックである 多くの先駆的なバックドア攻撃と防衛手法が、素早い武器競争の状況において、連続的または同時に提案されている。 BackdoorBenchというバックドア学習の総合的なベンチマークを構築しています。
• 参考スコア（独自算出の注目度）: 57.932398227755044
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Backdoor learning is an emerging and important topic of studying the vulnerability of deep neural networks (DNNs). Many pioneering backdoor attack and defense methods are being proposed successively or concurrently, in the status of a rapid arms race. However, we find that the evaluations of new methods are often unthorough to verify their claims and real performance, mainly due to the rapid development, diverse settings, as well as the difficulties of implementation and reproducibility. Without thorough evaluations and comparisons, it is difficult to track the current progress and design the future development roadmap of the literature. To alleviate this dilemma, we build a comprehensive benchmark of backdoor learning, called BackdoorBench. It consists of an extensible modular based codebase (currently including implementations of 8 state-of-the-art (SOTA) attack and 9 SOTA defense algorithms), as well as a standardized protocol of a complete backdoor learning. We also provide comprehensive evaluations of every pair of 8 attacks against 9 defenses, with 5 poisoning ratios, based on 5 models and 4 datasets, thus 8,000 pairs of evaluations in total. We further present analysis from different perspectives about these 8,000 evaluations, studying the effects of attack against defense algorithms, poisoning ratio, model and dataset in backdoor learning. All codes and evaluations of BackdoorBench are publicly available at \url{https://backdoorbench.github.io}.
• Abstract（参考訳）: バックドア学習は、ディープニューラルネットワーク(DNN)の脆弱性を研究する上で、新しく重要なトピックである。 多くの先駆的なバックドア攻撃と防衛手法が、素早い武器競争の状況において、連続的または同時に提案されている。 しかし,新しい手法の評価は,迅速な開発や多様な設定,実装や再現性の難しさなどから,その主張や実際の性能を検証するには不十分であることが多い。 徹底的な評価と比較がなければ、現在の進捗を追跡し、文献の今後の開発ロードマップを設計することは困難である。 このジレンマを軽減するために、BackdoorBenchというバックドア学習の包括的なベンチマークを構築しました。 拡張可能なモジュールベースのコードベース(現在は8つの最先端(SOTA)攻撃と9つのSOTA防御アルゴリズムの実装を含む)と、完全なバックドア学習の標準化されたプロトコルで構成されている。 また,5つのモデルと4つのデータセットに基づいて,9つのディフェンスに対する8対の攻撃を総合的に評価し,合計8000対の評価を行った。 さらに,これらの8000評価の異なる視点から分析を行い,バックドア学習における防衛アルゴリズム,中毒率,モデル,データセットの攻撃効果について検討した。 BackdoorBench のコードと評価はすべて \url{https://backdoorbench.github.io} で公開されている。

関連論文リスト

• BackdoorMBTI: A Backdoor Learning Multimodal Benchmark Tool Kit for Backdoor Defense Evaluation [25.107072490555844]
  マルチモーダル評価のためのバックドア学習ツールキットおよびベンチマークであるBackdoorMBTIを紹介する。 BackdoorMBTIは、データ処理、データ中毒、バックドアトレーニング、評価を含む、体系的なバックドア学習パイプラインを提供する。
  論文  参考訳（メタデータ） (2024-11-17T09:01:55Z)
• BackdoorBench: A Comprehensive Benchmark and Analysis of Backdoor Learning [41.66647711306716]
  BackdoorBenchというバックドア学習の総合ベンチマークを構築しました。 本稿では,SOTA(State-of-the-art)バックドア学習アルゴリズムの統合実装について述べる。 4つのモデルと4つのデータセットに基づいて5つの毒素比で包括的評価を行い,11,492対の攻撃・攻撃・防御評価を行った。
  論文  参考訳（メタデータ） (2024-07-29T09:57:03Z)
• BackdoorBench: A Comprehensive Benchmark and Analysis of Backdoor Learning [41.66647711306716]
  BackdoorBenchというバックドア学習の総合ベンチマークを構築しました。 本稿では,SOTA(State-of-the-art)バックドア学習アルゴリズムの統合実装について述べる。 我々は,4つのモデルと4つのデータセットに基づいて,16のディフェンスに対する12の攻撃の包括的評価を行う。
  論文  参考訳（メタデータ） (2024-01-26T17:03:38Z)
• A Unified Evaluation of Textual Backdoor Learning: Frameworks and Benchmarks [72.7373468905418]
  我々は,テキストバックドア学習の実装と評価を促進するオープンソースツールキットOpenBackdoorを開発した。 また,単純なクラスタリングに基づく防御ベースラインであるCUBEを提案する。
  論文  参考訳（メタデータ） (2022-06-17T02:29:23Z)
• 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)
• Backdoors in Neural Models of Source Code [13.960152426268769]
  ソースコードの深層学習の文脈でバックドアを研究する。 このようなバックドアをインストールするためにデータセットに毒を盛る方法を示す。 また、バックドアの注入の容易さと、それを除去する能力も示しています。
  論文  参考訳（メタデータ） (2020-06-11T21:35:24Z)

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。