論文の概要: Professor X: Manipulating EEG BCI with Invisible and Robust Backdoor Attack
- arxiv url: http://arxiv.org/abs/2409.20158v1
- Date: Mon, 30 Sep 2024 10:10:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-02 13:17:59.000760
- Title: Professor X: Manipulating EEG BCI with Invisible and Robust Backdoor Attack
- Title（参考訳）: 脳波BCIを非可視的かつロバストなバックドア攻撃で操作する教授X
- Authors: Xuan-Hao Liu, Xinhao Song, Dexuan He, Bao-Liang Lu, Wei-Long Zheng,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.579605201643072
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: While electroencephalogram (EEG) based brain-computer interface (BCI) has been widely used for medical diagnosis, health care, and device control, the safety of EEG BCI has long been neglected. In this paper, we propose Professor X, an invisible and robust "mind-controller" that can arbitrarily manipulate the outputs of EEG BCI through backdoor attack, to alert the EEG community of the potential hazard. However, existing EEG attacks mainly focus on single-target class attacks, and they either require engaging the training stage of the target BCI, or fail to maintain high stealthiness. Addressing these limitations, Professor X exploits a three-stage clean label poisoning attack: 1) selecting one trigger for each class; 2) learning optimal injecting EEG electrodes and frequencies strategy with reinforcement learning for each trigger; 3) generating poisoned samples by injecting the corresponding trigger's frequencies into poisoned data for each class by linearly interpolating the spectral amplitude of both data according to previously learned strategies. Experiments on datasets of three common EEG tasks demonstrate the effectiveness and robustness of Professor X, which also easily bypasses existing backdoor defenses.
- Abstract（参考訳）: 脳波脳波(EEG)に基づく脳-コンピュータインタフェース(BCI)は、医療診断、医療、デバイス制御に広く用いられているが、脳波BCIの安全性は長い間無視されてきた。
本稿では, バックドア攻撃による脳波BCIの出力を任意に操作できる, 可視かつ堅牢な「ミンド・コントロールラー」である「教授X」を提案し, 脳波コミュニティに潜在的な危険を警告する。
しかし、既存のEEG攻撃は主に単一ターゲットクラス攻撃に焦点を当てており、それらはターゲットBCIのトレーニング段階への関与を必要とするか、高いステルスネスを維持するのに失敗する。
この制限に対処するため、X教授は3段階のクリーンラベル中毒を悪用します。
1) 各クラスに対して1つのトリガを選択する。
2 トリガー毎の脳波電極の最適注入の学習及び強化学習による周波数戦略
3) 予め学習した戦略に従って, 両データのスペクトル振幅を線形に補間することにより, 対応するトリガーの周波数を各クラス毎の有毒データに注入することにより, 有毒サンプルを生成する。
3つの共通脳波タスクのデータセットの実験は、既存のバックドア防御を簡単に回避できる教授Xの有効性と堅牢性を示している。
関連論文リスト
- Enhancing EEG-to-Text Decoding through Transferable Representations from Pre-trained Contrastive EEG-Text Masked Autoencoder [69.7813498468116]
コントラスト型脳波テキストマスケード自動エンコーダ(CET-MAE)を提案する。
また、E2T-PTR(Pretrained Transferable Representationsを用いたEEG-to-Text decoding)と呼ばれるフレームワークを開発し、EEGシーケンスからテキストをデコードする。
論文 参考訳（メタデータ） (2024-02-27T11:45:21Z) - X-Adv: Physical Adversarial Object Attacks against X-ray Prohibited Item
Detection [113.10386151761682]
テクスチャフリーなX線画像を対象とした敵攻撃は未発見である。
本稿では,X線禁止項目検出を目的とした敵攻撃の研究に向けて第一歩を踏み出す。
我々は,X線検出器を消毒できる対向剤として機能する物理的に印刷可能な金属を生成するために,X-Advを提案する。
論文 参考訳（メタデータ） (2023-02-19T06:31:17Z) - Explainable Label-flipping Attacks on Human Emotion Assessment System [4.657100266392171]
本稿では,ラベルフリップを用いたデータ中毒攻撃に対する攻撃者の視点を提供する。
ラベルフリップに基づくデータ中毒攻撃は, モデルによらず成功している。
XAI技術は、脳波信号に基づく人間の感情評価システムに対するデータ毒攻撃を説明するために用いられる。
論文 参考訳（メタデータ） (2023-02-08T15:04:27Z) - 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) - Task-oriented Self-supervised Learning for Anomaly Detection in
Electroencephalography [51.45515911920534]
タスク指向型自己教師型学習手法を提案する。
大きなカーネルを持つ特定の2つの分岐畳み込みニューラルネットワークを特徴抽出器として設計する。
効果的に設計され、訓練された特徴抽出器は、より優れた特徴表現を脳波から抽出できることが示されている。
論文 参考訳（メタデータ） (2022-07-04T13:15:08Z) - Application of Adversarial Examples to Physical ECG Signals [0.0]
本稿では,心電図(ECG)のビート・バイ・ビート分類システムに特化して調整された逆行性ビートについて紹介する。
まず,ECG分類ニューラルネットワークモデルの逆例を生成するアルゴリズムを定式化し,その攻撃成功率について検討する。
次に、敵のビートをECGセンサの読み取りに注入する悪意のある信号発生器を設計し、ハードウェア攻撃をマウントする。
論文 参考訳（メタデータ） (2021-08-20T02:30:17Z) - High Frequency EEG Artifact Detection with Uncertainty via Early Exit
Paradigm [70.50499513259322]
現在のアーティファクト検出パイプラインはリソース不足であり、手作りの機能に大きく依存している。
高周波脳波アーチファクト検出のためのディープラーニングフレームワークであるE4Gを提案する。
われわれのフレームワークは初期の出口パラダイムを利用して、不確実性を捉えることのできるモデルの暗黙のアンサンブルを構築している。
論文 参考訳（メタデータ） (2021-07-21T07:05:42Z) - EEG-Based Brain-Computer Interfaces Are Vulnerable to Backdoor Attacks [68.01125081367428]
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。
論文 参考訳（メタデータ） (2020-10-30T20:49:42Z) - Convolutional Neural Networks for Automatic Detection of Artifacts from
Independent Components Represented in Scalp Topographies of EEG Signals [9.088303226909279]
眼球運動や点滅、筋/心臓活動、一般的な電気障害などによるアーチファクトの認識と排除が求められている。
ICAは、2Dの頭皮のトポグラフィー(画像)に再投影することで、人工物とUBSを認識・分離できる独立したコンポーネント(IC)に信号を切り分けるのに効果的である。
2次元畳み込みニューラルネットワーク(CNN)に基づくICトポロによる脳波アーチファクト認識のための,完全自動かつ効果的なフレームワークを提案する。
実験では、32のトポロを分類するために標準PCで1.4秒を使用、全体の98%以上の精度を示した。
論文 参考訳（メタデータ） (2020-09-08T12:40:10Z) - 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)
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。