論文の概要: Information Blackhole: Exploring Backdoor Mechanism in 3D Point Cloud Reconstruction
- arxiv url: http://arxiv.org/abs/2609.33569v1
- Date: Sun, 27 Sep 2026 13:46:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-05 15:40:57.713248
- Title: Information Blackhole: Exploring Backdoor Mechanism in 3D Point Cloud Reconstruction
- Title（参考訳）: 情報ブラックホール:3Dポイントクラウド再構築におけるバックドア機構の探索
- Abstract要約: ポイントクラウドオートエンコーダは3Dワールド表現の基本コンポーネントであり、多くのセーフティクリティカルな下流アプリケーションをサポートする。
ポイントクラウド オートエンコーダに対する バックドア攻撃は ほとんど未調査のままだ
- 参考スコア（独自算出の注目度）: 17.45837936831536
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point cloud autoencoders are fundamental components for 3D world representation and support many safety-critical downstream applications. Existing studies have extensively investigated backdoor attacks on point cloud classification, whereas backdoor attacks against point cloud autoencoders remain largely unexplored. However, their backdoor behaviors differ substantially due to the intrinsic structural gap between discriminative and generative models. Specifically, a classifier is a discriminative model that separately fits the marginal distributions of benign and malicious data. In contrast, the generative nature of an autoencoder entangles the two within a unified latent distribution, leading to information crosstalk and reduced attack controllability. In this setting, residual source geometric information in malicious data may leak into the clean inference branch, causing the reconstruction to collapse toward the source data. We then propose the Information Blackhole principle, which introduces Gaussian distribution constraints to disentangle latent representations and block interfering information. Building on this principle, we further propose Adaptive Gaussian Matching (AGM), which explicitly regularizes the latent distribution of poisoned samples. By suppressing the propagation of source geometric information from poisoned features to the attacker-specified reconstruction target, AGM improves attack controllability. Extensive quantitative and qualitative experiments on ModelNet and ShapeNetPart demonstrate that the proposed framework improves the attack performance of several standard triggers and reveals the unique operating mechanisms of backdoor attacks against point cloud autoencoders.
- Abstract（参考訳）: ポイントクラウドオートエンコーダは3Dワールド表現の基本コンポーネントであり、多くのセーフティクリティカルな下流アプリケーションをサポートする。
既存の研究は、ポイントクラウド分類に対するバックドア攻撃を広範囲に調査しているが、ポイントクラウドオートエンコーダに対するバックドア攻撃は、ほとんど探索されていない。
しかし、それらのバックドアの挙動は、識別モデルと生成モデルの間に固有の構造的ギャップがあるため、大きく異なる。
具体的には、分類器は、良性および悪意のあるデータの限界分布を別々に適合させる識別モデルである。
対照的に、オートエンコーダの生成特性は、両者を統一された潜伏分布に絡み合わせ、情報クロストークと攻撃制御性を低下させる。
この設定では、悪意のあるデータの残元幾何情報がクリーン推論分岐に漏洩し、ソースデータに対して再構成が崩壊する。
そこで我々は,ガウス分布制約を導入した情報ブラックホールの原理を提案する。
この原理に基づいて,有毒試料の潜伏分布を明示的に規則化する適応型ガウスマッチング (AGM) を提案する。
有害な特徴から攻撃者特定再構成ターゲットへのソース幾何学情報の伝搬を抑制することにより、AGMは攻撃制御性を向上させる。
ModelNetとShapeNetPartの大規模な定量的および定性的な実験により、提案フレームワークはいくつかの標準トリガの攻撃性能を改善し、ポイントクラウドオートエンコーダに対するバックドア攻撃のユニークな動作機構を明らかにする。
関連論文リスト
- Defending against Model Extraction for GNNs with Model Reprogramming [57.82196268649236]
グラフニューラルネットワーク(GNN)は、ML(Machine-Learning-as-a-Service)における高スループットアプリケーションのバックボーンとして機能する。
それでも、ブラックボックスのデプロイメントは、モデル抽出(ME)攻撃に晒される。
既存の防衛は「ユークリッドバイアス」に苦しむ
セキュリティのためにモデル再プログラミングを再利用するプロアクティブディフェンスフレームワークであるGraphRPを提案する。
論文 参考訳（メタデータ） (2026-08-11T23:20:15Z) - Beyond Homophily: Towards Generalized Graph Reconstruction Attack and Defense [80.28330585803133]
グラフニューラルネットワーク(GNN)は、計算データに広くデプロイされているが、トレーニンググラフの隣接性に関する機密情報やプロプライエタリ情報を漏洩することができる。
本研究は、訓練されたGNNからトレーニング隣接性を再構築するモデル逆転の一形態であるグラフ再構成攻撃(GRA)について研究する。
本稿では, MC-GRA(+)を提案する。これは, GNNにより誘導される表現が対象モデルのそれと一致した代理隣接を最適化することにより, 隣接性を再構築する。
防衛面では, MC-GPB (+) を提案する。
論文 参考訳（メタデータ） (2026-06-06T09:29:27Z) - BadRSSD: Backdoor Attacks on Regularized Self-Supervised Diffusion Models [10.286339414754499]
Bad RSSDは自己教師付き拡散モデルの表現層をターゲットにした最初のバックドア攻撃である。
標的画像に対するPCA空間のトリガーで有毒なサンプルのセマンティック表現をハイジャックする。
悪い RSSD は FID と MSE の両方で既存の攻撃を著しく上回っている。
論文 参考訳（メタデータ） (2026-03-01T09:56:26Z) - Towards a 3D Transfer-based Black-box Attack via Critical Feature Guidance [8.141008197540435]
本稿では, 対向点雲の伝達性を向上する移動型ブラックボックス攻撃法を提案する。
我々は、損失関数における生成した対向点雲の最大偏差範囲を明示的に制限し、その非受容性を保証する。
ModelNet40とScanObjectNNベンチマークデータセットで実施された実験は、提案されたCFGが最先端の攻撃方法よりも大きなマージンで優れていることを示した。
論文 参考訳（メタデータ） (2025-08-21T15:31:51Z) - Defending the Edge: Representative-Attention for Mitigating Backdoor Attacks in Federated Learning [7.808916974942399]
不均一エッジデバイスは、多種多様で非独立で、同一に分散された(非IID)データを生成する。
本稿では, 悪意のあるクライアントと良識を区別するための, FeRA という, 表現力に基づく防衛機構を提案する。
本評価では,エッジデバイスに典型的な非IIDデータ分散に挑戦するなど,さまざまなFLシナリオにおけるFeRAの堅牢性を示す。
論文 参考訳（メタデータ） (2025-05-15T13:44:32Z) - Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness [52.780853311462636]
バックドア攻撃はディープニューラルネットワーク(DNN)に深刻な脅威をもたらす
既存の3Dポイントのクラウドバックドア攻撃は、サンプルワイドなグローバルな修正に依存している。
我々は,3Dポイントクラウド用のパッチワイドバックドアアタックフレームワークであるStealthy Patch-Wise Backdoor Attack (SPBA)を提案する。
論文 参考訳（メタデータ） (2025-03-12T12:30:59Z) - BoBa: Boosting Backdoor Detection through Data Distribution Inference in Federated Learning [26.714674251814586]
フェデレーテッド・ラーニングは、その分散した性質のため、毒殺の被害を受けやすい。
本稿では,この問題を解決するために,分布認識型異常検出機構であるBoBaを提案する。
論文 参考訳（メタデータ） (2024-07-12T19:38:42Z) - Let the Noise Speak: Harnessing Noise for a Unified Defense Against Adversarial and Backdoor Attacks [31.291700348439175]
機械学習に対する悪意のあるデータ操作攻撃は、安全クリティカルなアプリケーションにおける信頼性を損なう。
再建型侵入検知システムであるNoiSecを提案する。
NoiSecは、テスト入力からノイズを取り除き、ノイズから基礎となる特徴を抽出し、それらを活用して、システマティックな悪意のある操作を認識する。
論文 参考訳（メタデータ） (2024-06-18T21:44:51Z) - Ada3Diff: Defending against 3D Adversarial Point Clouds via Adaptive
Diffusion [70.60038549155485]
ディープ3Dポイントクラウドモデルは敵攻撃に敏感であり、自律運転のような安全クリティカルなアプリケーションに脅威をもたらす。
本稿では,適応強度推定器と拡散モデルを用いて,プリスタンデータ分布を再構築できる新しい歪み認識型防衛フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-29T14:32:43Z) - CrowdGuard: Federated Backdoor Detection in Federated Learning [39.58317527488534]
本稿では,フェデレートラーニングにおけるバックドア攻撃を効果的に軽減する新しい防御機構であるCrowdGuardを提案する。
CrowdGuardでは、サーバロケーションのスタック化されたクラスタリングスキームを使用して、クライアントからのフィードバックに対するレジリエンスを高めている。
評価結果は、CrowdGuardがさまざまなシナリオで100%正の正の正の正の負の負の負の値を達成することを示す。
論文 参考訳（メタデータ） (2022-10-14T11:27:49Z) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z)
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。