論文の概要: Leveraging Imperfect Restoration for Data Availability Attack

• arxiv url: http://arxiv.org/abs/2609.04627v1
• Date: Fri, 04 Sep 2026 02:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.875159
• Title: Leveraging Imperfect Restoration for Data Availability Attack
• Title（参考訳）: データアベイラビリティーアタックのための不完全な復元の活用
• Abstract要約: データアベイラビリティーアタック(DAA)は、ディープラーニングモデルでデータを学習不能にするように設計されている。 既存の攻撃は、Supervised Learning (SL) または Self-Supervised Learning (SSL) のシナリオに対して優れている。 本研究では, 画像の高画質化を図り, 強毒効果を生かしながら, 不完全回復毒(IRP)という新しい中毒法を提案する。
• 参考スコア（独自算出の注目度）: 12.876736299777326
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The abundance of online data is at risk of unauthorized usage in training deep learning models. To counter this, various Data Availability Attacks (DAAs) have been devised to make data unlearnable for such models by subtly perturbing the training data. However, existing attacks often excel against either Supervised Learning (SL) or Self-Supervised Learning (SSL) scenarios. Among these, a model-free approach that generates a Convolution-based Unlearnable Dataset (CUDA) stands out as the most robust DAA across both SSL and SL. Nonetheless, CUDA's effectiveness against SSL is underwhelming and it faces a severe trade-off between image quality and its poisoning effect. In this paper, we conduct a theoretical analysis of CUDA, uncovering the sub-optimal gradients it introduces and elucidating the strategy it employs to induce class-wise bias for data poisoning. Building on this, we propose a novel poisoning method named Imperfect Restoration Poisoning (IRP), aiming to preserve high image quality while achieving strong poisoning effects. Through extensive comparisons of IRP with eight baselines across SL and SSL, coupled with evaluations alongside five representative defense methods, we showcase the superiority of IRP. Code: https://github.com/lyumingzhi/IRP
• Abstract（参考訳）: オンラインデータの豊富さは、深層学習モデルのトレーニングにおいて、不正使用の危険にさらされている。 これに対抗するために、様々なデータアベイラビリティーアタック(DAA)が考案され、トレーニングデータを微妙に摂動させることで、そのようなモデルでデータを学習不能にしている。 しかし、既存の攻撃はしばしば、監視学習(SL)または自己監視学習(SSL)のシナリオに対して優れている。 このうち、ConvolutionベースのUnlearnable Dataset(CUDA)を生成するモデルフリーなアプローチは、SSLとSLの両方で最も堅牢なDAAとして際立っている。 それでも、CUDAのSSLに対する効果は弱体化しており、画像の品質とその中毒効果との深刻なトレードオフに直面している。 本稿では,CUDAを理論的に解析し,その導入する準最適勾配を明らかにし,データ中毒に対するクラスワイドバイアスを誘発する戦略を解明する。 そこで本研究では,不完全回復毒殺(IRP)と呼ばれる新しい毒殺法を提案する。 SLとSSLにまたがる8つのベースラインに対するICPの広範な比較と,5つの代表的防御手法による評価により,IRPの優位性を示す。 コード:https://github.com/lyumingzhi/IRP

関連論文リスト

• Securing Self-supervised Data Curation for Foundation Models Robustness [0.18352113484137625]
  データキュレーションのための自己教師付き学習(SSL)は、機械学習モデルの一般化能力を拡大し改善するための経路を提供する。 SSLは、アノテーションや手動データセットのキュレーションに関連するコストを大幅に軽減し、人間の監視の必要性を最小限にする。 我々は,基礎モデルトレーニングに先立ってSSL処理データセットの整合性を確保するために,Poisoned Data Detector (PDD)を提案する。
  論文  参考訳（メタデータ） (2026-06-08T14:03:51Z)
• Deep Leakage with Generative Flow Matching Denoiser [54.05993847488204]
  再建プロセスに先立って生成フローマッチング(FM)を組み込んだ新しい深部リーク攻撃(DL)を導入する。 当社のアプローチは、ピクセルレベル、知覚的、特徴に基づく類似度測定において、最先端の攻撃よりも一貫して優れています。
  論文  参考訳（メタデータ） (2026-01-21T14:51:01Z)
• Adversarial Training for Defense Against Label Poisoning Attacks [53.893792844055106]
  ラベル中毒攻撃は機械学習モデルに重大なリスクをもたらす。 本稿では,これらの脅威に対処するために,サポートベクトルマシン(SVM)に基づく新たな対角的防御戦略を提案する。 提案手法は, 様々なモデルアーキテクチャに対応し, カーネルSVMを用いた予測勾配降下アルゴリズムを用いて, 対向学習を行う。
  論文  参考訳（メタデータ） (2025-02-24T13:03:19Z)
• Defending Against Sophisticated Poisoning Attacks with RL-based Aggregation in Federated Learning [12.352511156767338]
  フェデレート学習は、毒殺攻撃のモデル化に非常に影響を受けやすい。 本稿では,RLに基づくアダプティブアグリゲーション手法であるAdaAggRLを提案する。 4つの実世界のデータセットの実験により、提案された防衛モデルは高度な攻撃に対して広く採用されている防衛モデルよりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2024-06-20T11:33:14Z)
• From Zero to Hero: Detecting Leaked Data through Synthetic Data Injection and Model Querying [10.919336198760808]
  分類モデルの学習に使用される漏洩データを検出する新しい手法を提案する。 textscLDSSは、クラス分散の局所的なシフトによって特徴付けられる、少量の合成データを所有者のデータセットに注入する。 これにより、モデルクエリ単独で、リークデータに基づいてトレーニングされたモデルの効果的な識別が可能になる。
  論文  参考訳（メタデータ） (2023-10-06T10:36:28Z)
• 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)
• Self-Damaging Contrastive Learning [92.34124578823977]
  ラベルのないデータは一般に不均衡であり、長い尾の分布を示す。 本稿では,クラスを知らずに表現学習を自動的にバランスをとるための,自己学習コントラスト学習という原則的枠組みを提案する。 実験の結果,SDCLRは全体としての精度だけでなく,バランス性も著しく向上することがわかった。
  論文  参考訳（メタデータ） (2021-06-06T00:04:49Z)
• Mitigating the Impact of Adversarial Attacks in Very Deep Networks [10.555822166916705]
  Deep Neural Network (DNN)モデルにはセキュリティに関する脆弱性がある。 データ中毒による摂動攻撃は、モデルに偽データを注入する複雑な敵対攻撃である。 そこで本研究では,攻撃に依存しない防御手法を提案する。
  論文  参考訳（メタデータ） (2020-12-08T21:25:44Z)
• 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)
• Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
  既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。 本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。 ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。