論文の概要: Diversity Matters: Distributional Feature Coverage Sample Selection for Data-Efficient Backdoor Attacks
- arxiv url: http://arxiv.org/abs/2608.09047v1
- Date: Mon, 10 Aug 2026 02:52:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.048107
- Title: Diversity Matters: Distributional Feature Coverage Sample Selection for Data-Efficient Backdoor Attacks
- Title（参考訳）: 多様性の諸問題:データ効率の良いバックドア攻撃のための分布的特徴被覆サンプル選択
- Abstract要約: バックドア攻撃は、モデルがクリーンな精度を維持するためにトレーニングデータを妥協するが、トリガされた入力に対してアタッカー・チョーゼンターゲットを予測する。
本研究では,無訓練トリガ診断法であるDFCS(Distributal Feature Coverage Sample Selection)を提案する。
BadNetsとBlendedのCIFAR-10、Tiny-ImageNet、Imagenetteに対する攻撃全体で、DFCSは6つのデータセット-アタック設定で7つのセレクタの中で最高平均攻撃成功率を達成する。
- 参考スコア（独自算出の注目度）: 22.452076838251575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Backdoor attacks compromise training data so that a model retains clean accuracy but predicts an attacker-chosen target on triggered inputs. At very low poisoning rates, only a few samples convey the trigger--target association, making poison-sample selection critical. Existing methods typically rank candidates using per-sample scores, which can select redundant samples from similar semantic regions, and many require task-specific surrogate training. We propose Distributional Feature Coverage Sample Selection (DFCS), a training-free, trigger-agnostic method that clusters fixed pretrained features into one region per poisoning slot and selects the centroid-nearest sample from each region. A local first-order analysis relates this allocation to feature-coverage and representative-mass terms. Across BadNets and Blended attacks on CIFAR-10, Tiny-ImageNet, and Imagenette, DFCS achieves the highest mean attack success rate among seven selectors in all six dataset--attack settings, averaging $96.30\%$ and exceeding the strongest comparator in each setting by 4.60 percentage points on average while preserving clean accuracy. These results support distributional feature coverage as an effective selection principle for low-budget dirty-label backdoor attacks.
- Abstract（参考訳）: バックドア攻撃は、モデルがクリーンな精度を維持するためにトレーニングデータを妥協するが、トリガされた入力に対してアタッカー・チョーゼンターゲットを予測する。
非常に低い毒性率では、トリガー・ターゲット・アソシエーションを伝達するサンプルはごくわずかであり、毒サンプルの選択が重要となる。
既存の手法は通常、サンプルごとのスコアを使って候補をランク付けし、類似のセマンティック領域から冗長なサンプルを選択できる。
本研究では,未学習の機能を1つの領域にクラスタリングし,各領域からセントロイド・アレストサンプルを選択する,トレーニング不要でトリガー非依存なDFCSを提案する。
局所的な一階述語分析は、この割り当てを特徴被覆と代表質量項に関連付ける。
BadNetsとBlendedのCIFAR-10、Tiny-ImageNet、Imagenetteに対する攻撃全体で、DFCSは6つのデータセット-アタック設定のうち7つのセレクタの中で最高平均攻撃成功率を達成している。
これらの結果は,低予算汚泥バックドア攻撃に対する効果的な選択原理として,分布的特徴カバレッジを支持した。
関連論文リスト
- Robust Estimation of Sparse Numerical Vectors under Local Differential Privacy [61.848691894557426]
ローカルディファレンシャルプライバシ(LDP)プロトコルは、中毒攻撃に対して脆弱である。
本稿では,頑健なスパースベクトル平均推定問題に対処する。
本稿では,バイアスの正確な表現を行うための注意深い分析に基づく補正手法を提案する。
論文 参考訳（メタデータ） (2026-07-30T07:55:09Z) - Density-aware Sample-specific Attack [9.323723123910618]
ベイズ最適モデルに基づく最適なサンプル特異的トリガ構築を特徴付ける原理的基準を導入する。
分析の結果, クリーンデータ分布の低密度領域にトリガサンプルを操り込むと, 攻撃成功とクリーンな保存が同時に最適化されることが判明した。
論文 参考訳（メタデータ） (2026-05-27T01:02:49Z) - Scaling Adversarial Training via Data Selection [0.0]
本稿では,各ミニバッチにおける臨界サンプルのサブセットのみを摂動するemphSelective Adversa Trainingを提案する。
MNIST と CIFAR-10 の実験により,提案手法は PGD の完全対向訓練に匹敵する,あるいはそれ以上の堅牢性を達成できることが示された。
論文 参考訳（メタデータ） (2025-12-26T15:50:33Z) - A Set of Generalized Components to Achieve Effective Poison-only Clean-label Backdoor Attacks with Collaborative Sample Selection and Triggers [44.52811445373329]
クリーンラベルのバックドアアタックは、ラベルを変更することなく単にデータセットを中毒させることで、攻撃者が望んだ振る舞いをDNNに隠密に注入することを目的としている。
バックドアを効果的に埋め込むため、攻撃成功率(ASR)とステルスネスの様々な攻撃要件に対して複数のテキストブラガーが提案されている。
論文 参考訳（メタデータ） (2025-09-24T09:58:31Z) - Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。
本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文 参考訳（メタデータ） (2023-11-22T03:45:30Z) - Adversarial Attacks Neutralization via Data Set Randomization [3.655021726150369]
ディープラーニングモデルに対する敵対的な攻撃は、信頼性とセキュリティに深刻な脅威をもたらす。
本稿では,超空間射影に根ざした新しい防御機構を提案する。
提案手法は,敵対的攻撃に対するディープラーニングモデルの堅牢性を高めていることを示す。
論文 参考訳（メタデータ） (2023-06-21T10:17:55Z) - Data-Efficient Backdoor Attacks [14.230326737098554]
ディープニューラルネットワークはバックドア攻撃に弱い。
本稿では,その選択による毒性データ効率の向上について定式化する。
同じ攻撃成功率は、有毒サンプル量のわずか47%から75%で達成できる。
論文 参考訳（メタデータ） (2022-04-22T09:52:22Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - How Robust are Randomized Smoothing based Defenses to Data Poisoning? [66.80663779176979]
我々は、トレーニングデータの品質の重要性を強調する堅牢な機械学習モデルに対して、これまで認識されていなかった脅威を提示します。
本稿では,二段階最適化に基づく新たなデータ中毒攻撃法を提案し,ロバストな分類器のロバスト性を保証する。
我々の攻撃は、被害者が最先端のロバストな訓練方法を用いて、ゼロからモデルを訓練しても効果的である。
論文 参考訳（メタデータ） (2020-12-02T15:30:21Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳（メタデータ） (2020-02-07T21:28:30Z)
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。