論文の概要: TooBad: Backdoor Diffusion Models with Ultra-Low Poison Rate and Imperceptible Trigger

• arxiv url: http://arxiv.org/abs/2606.23362v1
• Date: Mon, 22 Jun 2026 14:00:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:22:32.85963
• Title: TooBad: Backdoor Diffusion Models with Ultra-Low Poison Rate and Imperceptible Trigger
• Title（参考訳）: TooBad: 極低ポゾン率と非受容性トリガーを有するバックドア拡散モデル
• Authors: Vu Tuan Truong, Long Bao Le,
• Abstract要約: TooBadは、DMに対するバックドアアタックのパフォーマンスを高めるために、新しいDM調整トリガ最適化技術を導入したバックドアフレームワークである。 実験の結果、TooBadは0.5%の毒性率で高いASRを達成できることが示された。 その有効性にもかかわらず、TooBadはSOTAの防御を容易に回避し、高い実用性を維持している。
• 参考スコア（独自算出の注目度）: 4.4331439696271415
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion models (DMs), despite their impressive capabilities across a wide range of generative tasks, have been shown to be vulnerable to backdoor attacks. However, existing backdoor methods face critical trade-offs among key factors: attack performance, stealthiness, time complexity, and required poison rates. For example, achieving high attack performance typically demands a high poison rate and prolonged training, which undermines stealthiness, making the attack more detectable by backdoor defenses. This paper proposes TooBad (trigger optimization for backdoor diffusion models), a backdoor framework which introduces a novel DM-tailored trigger optimization technique to dramatically enhance the performance of backdoor attacks on DMs. Experiments on representative benchmarks such as CIFAR-10 show that TooBad can achieve high ASRs ($> 85$%) at only 0.5% poison rate, significantly lower than the 10% typically required by prior work on the same datasets. At 5% poison rate, TooBad reaches nearly 100% ASR within just 3-5 backdoor injection epochs, whereas existing methods need at least 30-50 epochs at double the poison rate for comparable results. Despite its potency, TooBad easily evades SOTA defenses and maintains high utility. These results reveal a critical threat on DMs and highlight the need for more robust defenses against such stealthy yet efficient attacks.
• Abstract（参考訳）: 拡散モデル(DM)は、様々な生成タスクにまたがる優れた能力にもかかわらず、バックドア攻撃に弱いことが示されている。 しかし、既存のバックドア手法は、攻撃性能、ステルスネス、時間複雑さ、必要な毒素率といった重要な要因で重要なトレードオフに直面している。 例えば、高い攻撃性能を達成するには、一般的に高い毒性率と長期間の訓練が必要であり、これは盗難を損なうため、バックドアディフェンスにより攻撃をより検出しやすくする。 本論文では,DMに対するバックドア攻撃の性能を劇的に向上させるために,新しいDM調整トリガ最適化手法を導入したバックドアフレームワークであるTooBadを提案する。 CIFAR-10のような代表的なベンチマークの実験では、TooBadはわずか0.5%の毒性率で高いASR(>85$%)を達成可能である。 5%の毒性率で、TooBadはわずか3-5回のバックドア注入のエポックで100%のASRに達するが、既存の方法では、同等の結果を得るためには少なくとも30〜50回のエポックが必要である。 その有効性にもかかわらず、TooBadはSOTAの防御を容易に回避し、高い実用性を維持している。 これらの結果は、DMに対する重大な脅威を明らかにし、そのようなステルスで効率的な攻撃に対してより堅牢な防御の必要性を強調している。

関連論文リスト

• CLIP-Guided Backdoor Defense through Entropy-Based Poisoned Dataset Separation [10.162187097557576]
  ディープニューラルネットワーク(Deep Neural Networks, DNN)は、バックドア攻撃の影響を受ける。 有毒データに対する現在のバックドア防御は、しばしば高い計算コストや、クリーンラベルやクリーンイメージバックドアのような高度な攻撃に対する低い効果に悩まされる。 CLIP誘導型バックドアディフェンス(CGD)は,様々なバックドア攻撃を軽減し,効率的かつ効果的な方法である。
  論文  参考訳（メタデータ） (2025-07-07T15:29:26Z)
• Data Free Backdoor Attacks [83.10379074100453]
  DFBAは、モデルアーキテクチャを変更することなく、リトレーニングフリーでデータフリーのバックドア攻撃である。 我々の注入されたバックドアは、様々な最先端の防御策によって、検出不可能で、検出不能であることを確認した。 複数のデータセットに対する評価では,1) 無視可能な分類損失,2) 攻撃成功率,3) 既存の6つの防御を回避している。
  論文  参考訳（メタデータ） (2024-12-09T05:30:25Z)
• DMGNN: Detecting and Mitigating Backdoor Attacks in Graph Neural Networks [30.766013737094532]
  我々は,DMGNNを,アウト・オブ・ディストリビューション(OOD)およびイン・ディストリビューション(ID)グラフバックドア攻撃に対して提案する。 DMGNNは、偽説明に基づいてラベル遷移を予測することによって、隠されたIDとOODトリガを容易に識別できる。 DMGNNは最新技術(SOTA)防衛法をはるかに上回り、モデル性能のほとんど無視できる劣化を伴って攻撃成功率を5%に低下させる。
  論文  参考訳（メタデータ） (2024-10-18T01:08:03Z)
• 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)
• SEEP: Training Dynamics Grounds Latent Representation Search for Mitigating Backdoor Poisoning Attacks [53.28390057407576]
  現代のNLPモデルは、様々なソースから引き出された公開データセットでしばしば訓練される。 データ中毒攻撃は、攻撃者が設計した方法でモデルの振る舞いを操作できる。 バックドア攻撃に伴うリスクを軽減するために、いくつかの戦略が提案されている。
  論文  参考訳（メタデータ） (2024-05-19T14:50:09Z)
• Elijah: Eliminating Backdoors Injected in Diffusion Models via Distribution Shift [86.92048184556936]
  DMの最初のバックドア検出・除去フレームワークを提案する。 DDPM, NCSN, LDMを含む3種類のDMを用いて, フレームワークのElijahを評価した。 提案手法では, モデルの有用性を著しく損なうことなく, 検出精度が100%に近づき, バックドア効果をゼロに抑えることができる。
  論文  参考訳（メタデータ） (2023-11-27T23:58:56Z)
• Strong Data Augmentation Sanitizes Poisoning and Backdoor Attacks Without an Accuracy Tradeoff [57.35978884015093]
  CutMixのような強力なデータ拡張は、パフォーマンスを損なうことなく、中毒やバックドア攻撃の脅威を著しく減少させる可能性がある。 バックドアのコンテキストでは、CutMixは攻撃を大幅に軽減し、同時にバリデーションの精度を9%向上させる。
  論文  参考訳（メタデータ） (2020-11-18T20:18:50Z)

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。