論文の概要: Quiet Triggers, Loud Footprints: A Tri-Space Measurement Study of Backdoor Stealthiness

• arxiv url: http://arxiv.org/abs/2610.19947v1
• Date: Wed, 14 Oct 2026 10:29:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.102799
• Title: Quiet Triggers, Loud Footprints: A Tri-Space Measurement Study of Backdoor Stealthiness
• Title（参考訳）: クイックトリガーとラウドフットプリント:バックドアステルスネスの3空間計測
• Abstract要約: ディープニューラルネットワークに対するバックドア攻撃は、攻撃の成功率と良識の正確さによって一般的に評価される。 現存する研究はしばしば、トリガー・インセプティビティのような、ステルスネスの観測可能な1つの側面のみを研究する。 本稿では,画像分類におけるバックドアステルスネスの3次元計測について述べる。
• 参考スコア（独自算出の注目度）: 17.086033939800178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Backdoor attacks on deep neural networks are commonly evaluated by attack success rate and benign accuracy, yet their stealthiness remains inconsistently defined and measured. Existing work often studies only one observable aspect of stealthiness, such as trigger imperceptibility, feature-space separability, parameter-space concentration, or evasion of particular defenses. This creates a fragmented picture: an attack may appear stealthy under one metric while leaving conspicuous footprints elsewhere. This paper presents a tri-space measurement study of backdoor stealthiness in image classification. We distinguish latent stealthiness---the ideal but unobservable difficulty of distinguishing a backdoored system from a benign one---from measurable footprints in three spaces: input, feature, and parameter space. Under this framework, we evaluate representative backdoor attacks across four datasets and three model architectures using a broad suite of footprint metrics. Our results show that stealthiness is not monolithic: attacks that are quiet in one space are often loud in another, and existing attacks rarely achieve consistently small footprints across all three spaces. We further analyze agreement and disagreement among stealthiness metrics and study how footprint measurements interact with attack success rate. Based on observed blind spots in existing measurements, we introduce two diagnostic metrics: Class-Specific Davies--Bouldin Index (CDBI), which captures class-conditional feature overlap, and TAC--UCLC Product (TUP), which identifies channels that are both trigger-responsive and downstream influential. These metrics are intended to augment, not replace, the broader measurement suite. Finally, we provide practical guidance for future stealthiness evaluations.
• Abstract（参考訳）: ディープニューラルネットワークに対するバックドア攻撃は、攻撃の成功率と良心的正確性によって一般的に評価されるが、そのステルス性は相変わらず定義され、測定されている。 既存の研究はしばしば、トリガー・インセプタビリティ(英語版)、特徴空間分離性(英語版)、パラメータ空間濃度(英語版)、特定の防御の回避など、ステルスネスの観測可能な1つの側面のみを研究する。 攻撃は、別の場所で目立った足跡を残しながら、ある指標の下でステルス的に見えるかもしれない。 本稿では,画像分類におけるバックドアステルスネスの3次元計測について述べる。 我々は,3つの空間(入力,特徴,パラメータ空間)における計測可能なフットプリントから,バックドアシステムと良性のある1つのフットプリントを区別する理想的ではあるが,観測不可能な難しさを,潜時ステルスネスと区別する。 このフレームワークでは、4つのデータセットと3つのモデルアーキテクチャにまたがる代表的なバックドア攻撃を、幅広いフットプリントメトリクスを用いて評価する。 我々の結果は、ステルスネスはモノリシックではないことを示している: ある空間で静かな攻撃は、しばしば別の空間で大声で行われ、既存の攻撃は3つの空間で一貫して小さなフットプリントを達成することは滅多にない。 さらに、ステルスネス指標間の合意と不一致を分析し、フットプリント計測が攻撃成功率とどのように相互作用するかを研究する。 既存の測定で観測された盲点に基づいて、クラス条件の特徴重なりを捉えたCDBI(Class-Specific Davies-Bouldin Index)と、トリガー応答と下流に影響を及ぼすチャネルを識別するTAC-UCLC Product(TUP)の2つの診断指標を導入する。 これらのメトリクスは、より広範な測定スイートを拡張し、置き換えることを目的としています。 最後に,今後のステルスネス評価のための実践的ガイダンスを提供する。

関連論文リスト

• 3S-Attack: Spatial, Spectral and Semantic Invisible Backdoor Attack Against DNN Models [5.4709581147709985]
  本研究では,空間的,スペクトル的,意味的な領域にまたがる3Sアタックと呼ばれる新たなバックドアアタックを提案する。 トリガーはスペクトル領域に埋め込まれ、サンプルを空間領域に戻すとピクセルレベルの制限が続く。 このプロセスは、汚染されたサンプルと良性サンプルの間の距離を最小化し、既存の防御や人間の検査によって攻撃を検知しにくくする。
  論文  参考訳（メタデータ） (2025-07-14T18:56:55Z)
• Trigger without Trace: Towards Stealthy Backdoor Attack on Text-to-Image Diffusion Models [70.03122709795122]
  テキストと画像の拡散モデルをターゲットにしたバックドア攻撃が急速に進んでいる。 現在のバックドアサンプルは良性サンプルと比較して2つの重要な異常を示すことが多い。 我々はこれらの成分を明示的に緩和することでTwT(Trigger without Trace)を提案する。
  論文  参考訳（メタデータ） (2025-03-22T10:41:46Z)
• ODDR: Outlier Detection & Dimension Reduction Based Defense Against Adversarial Patches [4.4100683691177816]
  敵対的攻撃は、機械学習モデルの信頼性の高いデプロイに重大な課題をもたらす。 パッチベースの敵攻撃に対処するための総合的な防御戦略である外乱検出・次元削減(ODDR)を提案する。 提案手法は,逆パッチに対応する入力特徴を外れ値として同定できるという観測に基づいている。
  論文  参考訳（メタデータ） (2023-11-20T11:08:06Z)
• Spatial-Frequency Discriminability for Revealing Adversarial Perturbations [53.279716307171604]
  敵の摂動に対するディープニューラルネットワークの脆弱性は、コンピュータビジョンコミュニティで広く認識されている。 現在のアルゴリズムは、通常、自然および敵対的なデータの識別的分解を通じて、敵のパターンを検出する。 空間周波数Krawtchouk分解に基づく識別検出器を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:18:59Z)
• SATBA: An Invisible Backdoor Attack Based On Spatial Attention [7.405457329942725]
  バックドア攻撃には、隠れたトリガーパターンを含むデータセットに対するDeep Neural Network(DNN)のトレーニングが含まれる。 既存のバックドア攻撃のほとんどは、2つの重大な欠点に悩まされている。 空間的注意とU-netモデルを用いてこれらの制限を克服するSATBAという新しいバックドアアタックを提案する。
  論文  参考訳（メタデータ） (2023-02-25T10:57:41Z)
• Untargeted Backdoor Attack against Object Detection [69.63097724439886]
  我々は,タスク特性に基づいて,無目標で毒のみのバックドア攻撃を設計する。 攻撃によって、バックドアがターゲットモデルに埋め込まれると、トリガーパターンでスタンプされたオブジェクトの検出を失う可能性があることを示す。
  論文  参考訳（メタデータ） (2022-11-02T17:05:45Z)

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。