論文の概要: Temporal Poisoning: Clean-Label Backdoors via Event Redistribution in SNNs

• arxiv url: http://arxiv.org/abs/2607.28075v1
• Date: Thu, 30 Jul 2026 11:49:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.543264
• Title: Temporal Poisoning: Clean-Label Backdoors via Event Redistribution in SNNs
• Title（参考訳）: 一時的中毒:SNNにおけるイベント再配布によるクリーンラベルバックドア
• Abstract要約: スパイキングニューラルネットワーク(SNN)に対するバックドア攻撃は、主に汚いラベルの毒を仮定している。 本研究では,固定タイムスタンプ変換を目標級トレーニングストリームにのみ適用するクリーンラベル時間中毒について検討した。 本研究は, 防毒剤およびトリガー・シェイプ・アブレーションによる攻撃を解析し, スパイキングモデルに適合した既設のバックドアディフェンスの評価を行った。
• 参考スコア（独自算出の注目度）: 16.24023192805139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backdoor attacks on Spiking Neural Networks (SNNs) have primarily assumed dirty-label poisoning, in which triggered training samples are relabeled to an attacker-selected class. We study clean-label temporal poisoning, where a fixed timestamp transformation is applied only to the target-class training streams, leaving their labels unchanged. The transformation preserves the per-pixel, per-polarity event count exactly, making clean and triggered samples identical after temporal aggregation while altering the sequence processed by the SNN. Across three neuromorphic datasets and both convolutional and transformer-based victims, the attack reaches an ASR of 1.00 in the strongest configurations. We analyze the attack through poison-budget and trigger-shape ablations and evaluate established backdoor defenses adapted to spiking models. Defenses that collapse the time axis before inspection are blind by construction, while feature-space methods detect the poison only in selected settings. Our model-free detector, based on per-step event mass, detects the evaluated temporal transformations, demonstrating both the limitation of rate-collapsed defenses and the boundary of the attack's stealth. To our knowledge, this is the first clean-label backdoor attack evaluated on SNNs and neuromorphic event data.
• Abstract（参考訳）: スパイキングニューラルネットワーク(SNN)に対するバックドアアタックは、主に汚いラベル中毒を前提としており、引き起こされたトレーニングサンプルは攻撃者が選択したクラスに許容される。 本研究では, 固定タイムスタンプ変換を目標級トレーニングストリームにのみ適用し, ラベルが変化しないクリーンラベル時間中毒について検討した。 この変換は、SNNによって処理されたシーケンスを変更しながら、時間的アグリゲーション後に同一のクリーンでトリガされたサンプルを作成する。 3つのニューロモルフィックデータセットと、畳み込みとトランスフォーマーベースの犠牲者の両方で、攻撃は最も強い構成で1.00のASRに達する。 本研究は, 防毒剤およびトリガー・シェイプ・アブレーションによる攻撃を解析し, スパイキングモデルに適合した既設のバックドアディフェンスの評価を行った。 検査前に時間軸を崩壊させる防御は建設によって見えず、特徴空間法は選択した設定でのみ毒を検出する。 我々のモデルフリー検出器は、ステップ単位の事象質量に基づいて、評価された時間変換を検出し、レート崩壊防衛の限界と攻撃のステルスの境界の両方を実証する。 我々の知る限り、これはSNNとニューロモルフィック事象データに基づいて評価された初めてのクリーンラベルバックドア攻撃である。

関連論文リスト

• CSC: Turning the Adversary's Poison against Itself [23.878184947897765]
  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に重大な脅威をもたらす。 本稿では,モデルトレーニング中のバックドア攻撃ダイナミクスの包括的解析を行う。 新規な防毒対策としてクラスター分離封止法(CSC)を提案する。
  論文  参考訳（メタデータ） (2026-04-23T08:30:53Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• 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)
• Exploring Model Dynamics for Accumulative Poisoning Discovery [62.08553134316483]
  そこで我々は,モデルレベルの情報を通して,防衛を探索するための新しい情報尺度,すなわち,記憶の離散性(Memorization Discrepancy)を提案する。 暗黙的にデータ操作の変更をモデル出力に転送することで、メモリ識別は許容できない毒のサンプルを発見することができる。 我々は、その性質を徹底的に探求し、累積中毒に対する防御のために、離散型サンプル補正(DSC)を提案する。
  論文  参考訳（メタデータ） (2023-06-06T14:45:24Z)
• Defending Against Backdoor Attacks by Layer-wise Feature Analysis [11.465401472704732]
  ディープニューラルネットワーク(DNN)のトレーニングは通常、大量のトレーニングデータと計算リソースを必要とする。 新たな訓練時間攻撃(バックドア攻撃)は、敵の特定トリガーパターンを含む入力サンプルの誤分類を誘導することを目的としている。 臨界層における不審試料と良性試料の特徴差を解析し, 簡易かつ効果的に汚染試料をろ過する方法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T17:16:37Z)
• Silent Killer: A Stealthy, Clean-Label, Black-Box Backdoor Attack [10.047470656294335]
  我々は、クリーンラベルでブラックボックスの設定で動作する新しい攻撃であるSilent Killerを紹介します。 クリーンラベル攻撃の引き金としてユニバーサル・逆境摂動を用いた場合について検討する。 高い成功率を確保するためには、毒を製造するための勾配調整が必要である。
  論文  参考訳（メタデータ） (2023-01-05T15:11:05Z)
• Backdoor Defense via Decoupling the Training Process [46.34744086706348]
  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。 本稿では,従来のエンドツーエンドトレーニングプロセスを3段階に分割して,新たなバックドアディフェンスを提案する。
  論文  参考訳（メタデータ） (2022-02-05T03:34:01Z)
• AntidoteRT: Run-time Detection and Correction of Poison Attacks on Neural Networks [18.461079157949698]
  画像分類ネットワークに対する バックドア毒殺攻撃 本稿では,毒殺攻撃に対する簡易な自動検出・補正手法を提案する。 我々の手法は、一般的なベンチマークにおいて、NeuralCleanseやSTRIPといった既存の防御よりも優れています。
  論文  参考訳（メタデータ） (2022-01-31T23:42:32Z)
• Accumulative Poisoning Attacks on Real-time Data [56.96241557830253]
  我々は、よく設計されたが簡単な攻撃戦略が、中毒効果を劇的に増幅できることを示します。 我々の研究は、よく設計されたが簡単な攻撃戦略が、中毒効果を劇的に増幅できることを検証する。
  論文  参考訳（メタデータ） (2021-06-18T08:29:53Z)
• Poisoning MorphNet for Clean-Label Backdoor Attack to Point Clouds [37.77952251676744]
  本稿では,ポイントクラウド上の最初のバックドア攻撃手法である Poisoning MorphNet について述べる。 バックドアアタックは、トレーニング段階でトリガーをモデルに挿入することを目的としており、トリガーがサンプルに存在しない限り、被害者モデルはクリーンデータ上で正常に動作します。
  論文  参考訳（メタデータ） (2021-05-11T07:48:39Z)
• 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)

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。