論文の概要: BadAction: Backdoor Attacks on Interactive Video Generation via Action-Guided Triggers

• arxiv url: http://arxiv.org/abs/2609.39047v1
• Date: Wed, 30 Sep 2026 05:55:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.248078
• Title: BadAction: Backdoor Attacks on Interactive Video Generation via Action-Guided Triggers
• Title（参考訳）: BadAction:Action-Guided Triggersによるインタラクティブビデオ生成のバックドア攻撃
• Abstract要約: 本研究は,IVGモデルの相互作用に対するバックドア攻撃に関する最初の系統的研究である。 本稿では,行動誘導トリガを利用して攻撃を行うBadActionを提案する。 BadActionはアクションのみのトリガーで平均攻撃成功率は91.0%、マルチモーダルトリガーで80.4%に達する。
• 参考スコア（独自算出の注目度）: 62.90578489020379
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Interactive video generation (IVG) models have achieved remarkable progress in producing controllable visual content guided by user-defined actions, yet their security vulnerabilities remain largely unexplored. In this paper, we present the first systematic study of backdoor attacks against the interactivity of IVG models. Based on this attack surface, we propose BadAction, which leverages action-guided triggers to achieve the attack. Specifically, BadAction implants predefined motion patterns into the action sequences of backdoor samples and associates them with a static target video. Once triggered, the backdoored model generates frozen future frames that no longer respond to subsequent user actions, while preserving normal behavior on benign action sequences. In addition, we explore a stealthier attack in which multimodal triggers jointly poison action, text, and image inputs. Experiments show that BadAction achieves average attack success rates of 91.0% with action-only triggers and 80.4% with multimodal triggers. Moreover, extensive defense evaluations show that BadAction successfully bypasses existing backdoor detection methods, revealing a critical security gap in the interactive video generation pipeline. Project page: https://wsad55.github.io/badaction01/.
• Abstract（参考訳）: インタラクティブビデオ生成(IVG)モデルは、ユーザ定義アクションによって誘導される制御可能な視覚コンテンツの生成において、顕著な進歩を遂げている。 本稿では,IVGモデルの相互作用性に対するバックドア攻撃に関する最初の系統的研究について述べる。 この攻撃面に基づいて,動作誘導トリガを利用したBadActionを提案する。 具体的には、BadActionは事前に定義された動作パターンをバックドアサンプルのアクションシーケンスに埋め込み、静的なターゲットビデオと関連付ける。 一度起動すると、バックドアモデルが凍結した将来のフレームを生成し、その後のユーザーアクションに応答せず、良質なアクションシーケンスの正常な動作を保存する。 さらに,マルチモーダルが共謀行動,テキスト,画像入力をトリガーするステルスティア攻撃を探索する。 実験の結果、BadActionはアクションのみのトリガーで平均攻撃成功率91.0%、マルチモーダルトリガーで80.4%を達成した。 さらに,BadActionは既存のバックドア検出手法を回避し,対話型ビデオ生成パイプラインにおいて重要なセキュリティギャップを明らかにする。 プロジェクトページ: https://wsad55.github.io/badaction01/

関連論文リスト

• TrojanWorld: Backdooring World-Model Agents via Imagination Steering [65.38754125569848]
  TrojanWorldは、世界モデルエージェントのためのバックドアフレームワークで、内部の想像力を操ることで攻撃者が特定した振る舞いを誘導する。 トリガーアクティベーションの下では、トロイジャンワールドは0.026までの目標アクション偏差を達成し、対応するクリーンパフォーマンスの少なくとも98.8%を維持している。
  論文  参考訳（メタデータ） (2026-09-07T05:14:10Z)
• BadWAM: When World-Action Models Dream Right but Act Wrong [85.9616441469113]
  世界行動モデル(WAM)は、身体制御のための有望な基盤として浮上している。 我々はワールド・アクション・ドリフト・アタックのモデリングと評価のための統合フレームワークであるBadWAMを紹介した。 BadWAMはこの攻撃面を、攻撃強度とステルスネスという2つの自然な基準に沿って特徴付けている。 この攻撃はクローズドループ実行時のタスク成功率を大幅に低下させることを示す。
  論文  参考訳（メタデータ） (2026-07-16T17:04:15Z)
• Diffusion-Guided Backdoor Attacks in Real-World Reinforcement Learning [13.244940433694024]
  バックドア攻撃は、強化学習ポリシーに隠された悪意のある振る舞いを埋め込み、テスト時にトリガーを使用してそれらをアクティベートする。 既存の攻撃のほとんどはシミュレーションでのみ検証されているが、実際のロボットシステムでの有効性はまだ不明である。 これまでに見過ごされてきた問題を考察し,現実世界のRLに対する拡散誘導型バックドアアタックフレームワーク(DGBA)を提案する。
  論文  参考訳（メタデータ） (2026-01-20T16:03:51Z)
• SilentDrift: Exploiting Action Chunking for Stealthy Backdoor Attacks on Vision-Language-Action Models [43.17292256124026]
  VLA(Vision-Language-Action)モデルは、安全クリティカルなロボットアプリケーションにますます採用されている。 現代のVLAシステムにおける基本的なセキュリティ欠陥を識別する。 我々は、この脆弱性を利用したステルスなブラックボックスバックドア攻撃であるSILENTDRIFTを提案する。
  論文  参考訳（メタデータ） (2026-01-20T01:24:17Z)
• TabVLA: Targeted Backdoor Attacks on Vision-Language-Action Models [63.51290426425441]
  バックドア付きVLAエージェントは、プレインジェクトされたバックドアによって隠蔽的にトリガーされ、敵のアクションを実行することができる。 我々は,VLAモデルに対するターゲットバックドア攻撃について検討し,ブラックボックスファインチューニングによる攻撃を可能にする新しいフレームワークであるTabVLAを紹介した。 我々の研究は、バックドア操作をターゲットにしたVLAモデルの脆弱性を強調し、より高度な防御の必要性を強調します。
  論文  参考訳（メタデータ） (2025-10-13T02:45:48Z)
• Poison Once, Control Anywhere: Clean-Text Visual Backdoors in VLM-based Mobile Agents [54.35629963816521]
  この研究は、VLMベースのモバイルエージェントをターゲットにした最初のクリーンテキストバックドアアタックであるVIBMAを紹介する。 この攻撃は、視覚的な入力だけを変更することによって、悪意ある振る舞いをモデルに注入する。 クリーンタスクの動作を保ちながら高い成功率を達成できることを示す。
  論文  参考訳（メタデータ） (2025-06-16T08:09:32Z)
• Temporal-Distributed Backdoor Attack Against Video Based Action Recognition [21.916002204426853]
  ビデオデータに対する、シンプルで効果的なバックドア攻撃を導入する。 我々の提案した攻撃は、変換されたドメインに摂動を加えることで、ビデオフレームに知覚不能で時間的に分散されたトリガーを配置する。
  論文  参考訳（メタデータ） (2023-08-21T22:31:54Z)
• Look, Listen, and Attack: Backdoor Attacks Against Video Action Recognition [53.720010650445516]
  有毒ラベル画像のバックドア攻撃は静的かつ動的に2つの時間的拡張が可能であることを示す。 さらに、ビデオ領域におけるこの脆弱性の深刻さを強調するために、自然なビデオバックドアを探索する。 また,ビデオ行動認識モデルに対するマルチモーダル(オービジュアル)バックドアアタックを初めて検討した。
  論文  参考訳（メタデータ） (2023-01-03T07:40:28Z)

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。