論文の概要: TEMPO-Diffusion: Temporally Exposed Malicious Poisoning of Diffusion Models

• arxiv url: http://arxiv.org/abs/2606.26285v1
• Date: Wed, 24 Jun 2026 18:31:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.052851
• Title: TEMPO-Diffusion: Temporally Exposed Malicious Poisoning of Diffusion Models
• Title（参考訳）: TEMPO拡散: 拡散モデルの一時的に暴露された悪性毒素
• Abstract要約: TEMPO拡散(TEMPO-Diffusion)は、悪意のある分布シフトを一時的な非分布露光にローカライズするターゲットバックドアフレームワークである。 実験の結果,TEMPO拡散はクラス固有の合成データ生成を確実に阻害できることがわかった。
• 参考スコア（独自算出の注目度）: 1.8589696205173665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Noise-based backdoor attacks on diffusion models typically rely on input-time trigger injection, untargeted activation, and out-of-distribution target generation. Such assumptions reduce both the stealthiness and the practical relevance of these attacks. In this work, we present TEMPO-Diffusion, a targeted backdoor framework that localizes the malicious distribution shift to a temporal, in-distribution exposure. TEMPO-Diffusion supports: (i) targeted attacks on and to specific classes, (ii) multiple sub-image backdoors that reconstruct specific features within multiple, different output images and at multiple locations, and (iii) in-painting with time-conditioned triggers. To study relevant, practical security concerns in leveraging backdoored diffusion models for synthetic training data, we also introduce CALISA: a balanced, region-aware traffic-sign dataset emphasizing Canadian and U.S. road signs. Across CIFAR10, GTSRB, and CALISA, our experiments show that TEMPO-Diffusion can reliably poison class-specific synthetic data generation and induce high attack success rates in downstream classifiers trained on that data.
• Abstract（参考訳）: 拡散モデルに対するノイズベースのバックドア攻撃は、通常、入力時のトリガーインジェクション、ターゲット外のアクティベーション、およびアウト・オブ・ディストリビューションターゲット生成に依存している。 このような仮定は、これらの攻撃のステルスネスと実践的関連性の両方を減少させる。 本研究では,悪意のある分布シフトを時間的・分散的露光にローカライズする,TEMPO-Diffusionを提案する。 TEMPO-Diffusion のサポート: (i)特定のクラスに対する標的攻撃。 二 複数の出力画像及び複数の場所で特定の特徴を再構成する複数のサブイメージバックドア 三 時空トリガーによる塗り込み 合成トレーニングデータにバックドア拡散モデルを活用する際の,関連性,実践的なセキュリティ上の懸念について検討するため,カナダと米国の道路標識を強調する,バランスのとれた地域対応の交通信号データセットであるCALISAを紹介した。 CIFAR10, GTSRB, CALISA全体で, TEMPO拡散はクラス固有の合成データ生成を確実に阻害し, そのデータに基づいて訓練した下流分類器において高い攻撃成功率を誘導できることを示した。

関連論文リスト

• Watch Your Step: Information Injection in Diffusion Models via Shadow Timestep Embedding [6.490330531143652]
  本稿では,拡散モデルに悪質な情報注入を行うための時間空間の未利用を調査する新しいメカニズムであるシャドータイムステップ埋め込み(STE)を紹介する。 特に、タイムステップ埋め込み空間でズームインすると、異なるタイムステップが、サイドチャネル情報をエンコードできる異なる表現能力を示すことが分かる。 本研究は, 時間次元の理解により, 拡散モデルの時間経過を専用情報を運ぶための強力な側流として明らかにし, 対向生成モデルのための新たな方向を動機づけるものである。
  論文  参考訳（メタデータ） (2026-05-01T03:26:34Z)
• Causal Autoregressive Diffusion Language Model [70.7353007255797]
  CARDは厳密な因果注意マスク内の拡散過程を再構成し、単一の前方通過で密集した1対1の監視を可能にする。 我々の結果は,CARDが並列生成のレイテンシの利点を解放しつつ,ARMレベルのデータ効率を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-29T17:38:29Z)
• TRAIL: Transferable Robust Adversarial Images via Latent diffusion [35.54430200195499]
  敵対的攻撃は、ディープラーニングシステムに深刻なセキュリティリスクをもたらす。 モデル間の転送性は、生成した逆数の特徴と実世界のデータの間の分布ミスマッチによって制限されている。 テスト時間適応フレームワークTRAIL(Latent Diffusion)を用いたTransferable Robust Adrial Imagesを提案する。
  論文  参考訳（メタデータ） (2025-05-22T03:11:35Z)
• CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
  拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。 まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。 実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
  論文  参考訳（メタデータ） (2024-12-02T14:19:44Z)
• Watch the Watcher! Backdoor Attacks on Security-Enhancing Diffusion Models [65.30406788716104]
  本研究では,セキュリティ強化拡散モデルの脆弱性について検討する。 これらのモデルは、シンプルで効果的なバックドア攻撃であるDIFF2に非常に感受性があることを実証する。 ケーススタディでは、DIFF2は、ベンチマークデータセットとモデル間で、パーフィケーション後の精度と認定精度の両方を著しく削減できることを示している。
  論文  参考訳（メタデータ） (2024-06-14T02:39:43Z)
• Data Attribution for Diffusion Models: Timestep-induced Bias in Influence Estimation [53.27596811146316]
  拡散モデルは、以前の文脈における瞬間的な入出力関係ではなく、一連のタイムステップで操作する。 本稿では、この時間的ダイナミクスを取り入れた拡散トラクInについて、サンプルの損失勾配ノルムが時間ステップに大きく依存していることを確認する。 そこで我々はDiffusion-ReTracを再正規化適応として導入し、興味のあるサンプルを対象にしたトレーニングサンプルの検索を可能にする。
  論文  参考訳（メタデータ） (2024-01-17T07:58:18Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Improving Adversarial Transferability by Stable Diffusion [36.97548018603747]
  敵対的な例は 良心サンプルに 知覚不能な摂動を導入 予測を欺く ディープニューラルネットワーク(Deep Neural Network, DNN)は、良性サンプルに知覚不能な摂動を導入し、予測を誤認する敵の例に影響を受けやすい。 本稿では,SDAM(Stable Diffusion Attack Method)と呼ばれる新しい攻撃手法を提案する。
  論文  参考訳（メタデータ） (2023-11-18T09:10:07Z)
• Leveraging Diffusion-Based Image Variations for Robust Training on Poisoned Data [26.551317580666353]
  バックドア攻撃は、ニューラルネットワークをトレーニングする上で深刻なセキュリティ上の脅威となる。 本稿では,近年の拡散モデルのパワーを生かして,潜在的に有毒なデータセットのモデルトレーニングを可能にする新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-10-10T07:25:06Z)
• Data Forensics in Diffusion Models: A Systematic Analysis of Membership Privacy [62.16582309504159]
  本研究では,拡散モデルに対するメンバシップ推論攻撃の系統的解析を開発し,各攻撃シナリオに適した新しい攻撃手法を提案する。 提案手法は容易に入手可能な量を利用して,現実的なシナリオにおいてほぼ完全な攻撃性能 (>0.9 AUCROC) を達成することができる。
  論文  参考訳（メタデータ） (2023-02-15T17:37:49Z)
• How to Backdoor Diffusion Models? [74.43215520371506]
  本稿では,バックドア攻撃に対する拡散モデルの堅牢性に関する最初の研究について述べる。 我々は,バックドアインプラントのモデルトレーニング中に拡散過程を侵害する新たな攻撃フレームワークであるBadDiffusionを提案する。 本研究の結果は,拡散モデルの誤用や潜在的なリスクへの注意を呼び起こす。
  論文  参考訳（メタデータ） (2022-12-11T03:44:38Z)

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。