論文の概要: DRL-CLBA: A Clean Label Backdoor Attack for Speech Classification via DDPG Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2607.01729v1
• Date: Thu, 02 Jul 2026 05:34:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.68461
• Title: DRL-CLBA: A Clean Label Backdoor Attack for Speech Classification via DDPG Reinforcement Learning
• Title（参考訳）: DDPG強化学習による音声分類のためのクリーンラベルバックドアアタックDRL-CLBA
• Abstract要約: 音声分類のための新しいクリーンラベルバックドアアタックであるDRL-CLBAを提案する。 我々は、ディープオーディオステガノグラフィーを用いて、サンプル固有のトリガをソースオーディオに埋め込んで、特徴空間アンカーを作成します。 DRL-CLBAは,バックドア防御を効果的に回避し,高い攻撃成功率を達成することを示す。
• 参考スコア（独自算出の注目度）: 1.2373172839910807
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Deep learning models for speech classification are vulnerable to backdoor attacks, where malicious triggers cause misclassification at inference time. While sample-specific attacks can bypass many defenses, they often rely on poisoned label attack, making them detectable via manual data defense. In this paper, we propose DRL-CLBA, a novel clean label backdoor attack for speech classification that leverages Deep Deterministic Policy Gradient (DDPG) reinforcement learning. We also utilize deep audio steganography to embed sample-specific triggers into source audio, creating feature-space anchors. The proposed reinforcement learning framework effectively optimizes target samples toward trigger-bearing anchor points in the model's deep latent space, enabling label-migration-free poisoning of target samples. Experimental results across three datasets and four different DNNs demonstrate that DRL-CLBA achieves a high attack success rate, effectively bypassing some backdoor defenses. The attack demonstrates strong resistance against fine-tuning, pruning, and spectral signature defenses, exposing critical vulnerabilities in speech-controlled systems.
• Abstract（参考訳）: 音声分類のためのディープラーニングモデルは、悪意のあるトリガーが推論時に誤分類を引き起こすバックドア攻撃に対して脆弱である。 サンプル固有の攻撃は、多くの防御を回避できるが、しばしば有毒なラベル攻撃に依存しており、手動のデータ防御によって検出できる。 本稿では,DDPG(Deep Deterministic Policy Gradient)強化学習を活用した,音声分類のための新しいクリーンラベルバックドアアタックであるDRL-CLBAを提案する。 また、ディープオーディオステガノグラフィーを用いて、サンプル固有のトリガをソースオーディオに埋め込み、特徴空間アンカーを作成する。 提案した強化学習フレームワークは, モデル深部潜伏空間のトリガー付きアンカーポイントに対して, ターゲットサンプルを効果的に最適化し, ターゲットサンプルのラベル移動無毒化を可能にする。 3つのデータセットと4つの異なるDNNによる実験結果から、DRL-CLBAは高い攻撃成功率を達成でき、バックドア防御を効果的に回避できることが示された。 この攻撃は、微調整、プルーニング、スペクトル署名防御に対する強い抵抗を示し、音声制御システムにおける致命的な脆弱性を露呈する。

関連論文リスト

• Pmeta-TLA: Backdoor Attacks for Speech Classification Models via Meta-Learning with Timbre Leakage Attack [1.2373172839910807]
  本研究では、ディープニューラルネットワークディフェンダによる検出に対する現在の音声トリガーの脆弱性について論じ、Timbre Leakage Attack(TLA)を導入する。 TLAは、深い自己監督的特徴のフレームレベルで音色情報を拡散し、人間の知覚に自然に見える有毒なサンプルを生成する。
  論文  参考訳（メタデータ） (2026-07-02T04:51:27Z)
• Prototype-Guided Robust Learning against Backdoor Attacks [16.60001324267935]
  バックドア攻撃はトレーニングデータに毒を加え、モデルにバックドアを埋め込む。 本稿では,PGRL(Prototype-Guided Robust Learning)を提案する。
  論文  参考訳（メタデータ） (2025-09-03T14:41:54Z)
• SRD: Reinforcement-Learned Semantic Perturbation for Backdoor Defense in VLMs [57.880467106470775]
  攻撃者は、トレーニングデータに知覚不能な摂動を注入することができ、モデルが悪意のある攻撃的制御されたキャプションを生成する。 本稿では,引き金の事前知識を伴わずにバックドア動作を緩和する強化学習フレームワークであるセマンティック・リワード・ディフェンス(SRD)を提案する。 SRDはDeep Q-Networkを使用して、機密画像領域に個別の摂動を適用するためのポリシーを学習し、悪意ある経路の活性化を妨害することを目的としている。
  論文  参考訳（メタデータ） (2025-06-05T08:22:24Z)
• Revisiting Backdoor Attacks on LLMs: A Stealthy and Practical Poisoning Framework via Harmless Inputs [54.90315421117162]
  完全無害データを用いた新しい毒殺法を提案する。 自己回帰型LPMの因果推論に着想を得て,トリガーと肯定的応答プレフィックスの堅牢な関連性を確立することを目指す。 LLMは最初は同意するように見えるが,その後回答を拒む興味深い抵抗現象を観察する。
  論文  参考訳（メタデータ） (2025-05-23T08:13:59Z)
• FFCBA: Feature-based Full-target Clean-label Backdoor Attacks [10.650796825194337]
  バックドア攻撃はディープニューラルネットワークに重大な脅威をもたらす。 汚染されたサンプルのラベルの変更を避けるため、クリーンラベル攻撃はよりステルス性が高い。 FFCBA(Full-target Clean-label Backdoor Attacks)を提案する。
  論文  参考訳（メタデータ） (2025-04-29T05:49:42Z)
• 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)
• Poisoning-based Backdoor Attacks for Arbitrary Target Label with Positive Triggers [8.15496105932744]
  中毒ベースのバックドア攻撃は、ディープニューラルネットワーク(DNN)トレーニングのデータ準備段階における脆弱性を露呈する。 我々は,敵対的手法にインスパイアされた新たなトリガーの分類を開発し,Positive Triggers (PPT) を用いたマルチラベル・マルチペイロード型バックドアアタックを開発した。 汚いラベル設定とクリーンラベル設定の両方において、提案した攻撃が様々なデータセットの精度を犠牲にすることなく高い攻撃成功率を達成することを実証的に示す。
  論文  参考訳（メタデータ） (2024-05-09T06:45:11Z)
• Stealthy Backdoor Attack via Confidence-driven Sampling [49.72680157684523]
  バックドア攻撃は、悪質なトリガをDNNモデルに過剰に挿入することを目的としており、テストシナリオ中に不正な制御を許可している。 既存の方法では防衛戦略に対する堅牢性が欠如しており、主に無作為な試薬を無作為に選別しながら、引き金の盗難を強化することに重点を置いている。 信頼性スコアの低いサンプルを選別し、これらの攻撃を識別・対処する上で、守備側の課題を著しく増大させる。
  論文  参考訳（メタデータ） (2023-10-08T18:57:36Z)
• 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)
• Hidden Backdoor Attack against Semantic Segmentation Models [60.0327238844584]
  Emphbackdoor攻撃は、深層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み、トレーニングデータに毒を盛ることを目的としている。 我々は,対象ラベルを画像レベルではなくオブジェクトレベルから扱う,新たな攻撃パラダイムであるemphfine-fine-grained attackを提案する。 実験により、提案手法はわずかなトレーニングデータだけを毒殺することでセマンティックセグメンテーションモデルを攻撃することに成功した。
  論文  参考訳（メタデータ） (2021-03-06T05:50:29Z)
• Defense for Black-box Attacks on Anti-spoofing Models by Self-Supervised Learning [71.17774313301753]
  本研究では,自己指導型高水準表現の堅牢性について,敵攻撃に対する防御に利用して検討する。 ASVspoof 2019データセットの実験結果は、Mockingjayによって抽出されたハイレベルな表現が、敵の例の転送可能性を妨げることを示した。
  論文  参考訳（メタデータ） (2020-06-05T03:03:06Z)

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。