Fugu-MT 論文翻訳(概要): Hidden Backdoor Attack on Deep Contrastive Clustering

論文の概要: Hidden Backdoor Attack on Deep Contrastive Clustering

arxiv url: http://arxiv.org/abs/2610.33116v1
Date: Fri, 23 Oct 2026 03:54:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.248708
Title: Hidden Backdoor Attack on Deep Contrastive Clustering
Title（参考訳）: 深部コントラストクラスタリングにおける隠れたバックドア攻撃
Abstract要約: HBDCCはDeep Contrastive Clusteringの隠れバックドア攻撃である。対照的なクラスタリングの固有の構造的弱点を利用する。トリガクラスタリングのパフォーマンスは、データセット依存の方法で大幅に低下する可能性がある。
参考スコア（独自算出の注目度）: 15.95630697463367
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Deep contrastive clustering has become a representative paradigm for unsupervised image clustering, yet its security under training-time poisoning remains largely unexplored. This paper investigates a hidden backdoor threat against deep contrastive clustering and proposes HBDCC, a Hidden Backdoor attack for Deep Contrastive Clustering. Here, hidden does not indicate that the trigger is visually imperceptible, but rather that the malicious trigger-cluster association remains behaviorally dormant on clean inputs and is activated only when the trigger appears at inference time. HBDCC poisons only a small fraction of unlabeled training samples and exploits an inherent structural weakness of contrastive clustering: augmentation-persistent triggers can be repeatedly aligned across different views at the instance level and further reinforced by cluster-level consistency objectives. As a result, the poisoned model preserves normal clustering behavior on clean data, while producing severely distorted cluster assignments for triggered inputs. We provide a dual-level analysis of the backdoor implantation mechanism and evaluate HBDCC on ImageNet-10, ImageNet-Dogs, and STL-10 with representative contrastive clustering frameworks. Extensive experiments demonstrate that HBDCC can substantially degrade triggered clustering performance in a dataset-dependent manner while maintaining sufficient clean-data utility to evade standard evaluation protocols. We further conduct comprehensive studies on poisoning ratio, attack scope, trigger type, trigger size, and a lightweight knowledge-distillation-based mitigation strategy.
Abstract（参考訳）: 深い対照的なクラスタリングは、教師なしのイメージクラスタリングの代表的なパラダイムとなっているが、トレーニング時中毒の際のセキュリティはほとんど解明されていない。本稿では,深部コントラストクラスタリングに対する隠れバックドアの脅威を調査し,深部コントラストクラスタリングのための隠れバックドア攻撃であるHBDCCを提案する。ここでの隠蔽は、トリガーが視覚的に認識不能であることを示すものではなく、むしろ悪意のあるトリガークラスタアソシエーションがクリーンな入力に対して行動的に休眠状態であり、トリガーが推論時に現れる場合にのみ活性化されることを示している。 HBDCCは、少数の未ラベルのトレーニングサンプルだけを中毒させ、コントラストクラスタリングの固有の構造的弱点を悪用する: 拡張持続トリガーは、インスタンスレベルで異なるビューに繰り返し配置され、クラスタレベルの一貫性の目標によってさらに強化される。その結果, 汚染されたモデルでは, クリーンデータの正常なクラスタリング挙動を保ちながら, トリガ入力に対してひどく歪んだクラスタ割り当てを発生させることができた。バックドア注入機構の二重レベル解析を行い,ImageNet-10, ImageNet-Dogs, STL-10上のHBDCCを, 代表的なコントラストクラスタリングフレームワークを用いて評価する。大規模な実験により、HBDCCは、標準評価プロトコルを回避するのに十分なクリーンデータユーティリティを維持しながら、トリガクラスタリング性能をデータセット依存で大幅に劣化させることができることが示された。さらに, 毒性比, 攻撃範囲, トリガータイプ, トリガーサイズ, 軽量な知識蒸留による緩和戦略に関する総合的研究を行った。

関連論文リスト

CSC: Turning the Adversary's Poison against Itself [23.878184947897765]
中毒ベースのバックドア攻撃は、ディープニューラルネットワークに重大な脅威をもたらす。本稿では,モデルトレーニング中のバックドア攻撃ダイナミクスの包括的解析を行う。新規な防毒対策としてクラスター分離封止法(CSC)を提案する。
論文参考訳（メタデータ） (2026-04-23T08:30:53Z)
GCP: Guarded Collaborative Perception with Spatial-Temporal Aware Malicious Agent Detection [11.336965062177722]
協調的知覚は、悪意のあるエージェントからの敵対的なメッセージ攻撃に対して脆弱である。本稿では,既存の単発外乱検出手法を損なう新しい盲検領域混乱(BAC)攻撃を明らかにする。本稿では、空間的時間的認識による悪意のあるエージェント検出に基づくガード付き協調認識フレームワークを提案する。
論文参考訳（メタデータ） (2025-01-05T06:03:26Z)
CleanCLIP: Mitigating Data Poisoning Attacks in Multimodal Contrastive Learning [63.72975421109622]
CleanCLIPは、バックドア攻撃によって引き起こされる学習された刺激的関連を弱める微調整フレームワークである。 CleanCLIPは、マルチモーダル・コントラッシブ・ラーニングに対するバックドア・アタックを根絶しながら、良質な例によるモデル性能を維持している。
論文参考訳（メタデータ） (2023-03-06T17:48:32Z)
Cluster Purging: Efficient Outlier Detection based on Rate-Distortion Theory [6.929025509877642]
Cluster Purgingは、クラスタリングベースのアウトレイラ検出の拡張である。本稿では, 生クラスタリングから検出された異常値に対して, クラスタ・パージが改善することを示す。
論文参考訳（メタデータ） (2023-02-22T09:32:37Z)
Universal Detection of Backdoor Attacks via Density-based Clustering and Centroids Analysis [24.953032059932525]
クラスタリングとセントロイド分析(CCA-UD)に基づくバックドア攻撃に対するユニバーサルディフェンスを提案する。防御の目的は、ディープラーニングモデルがトレーニングデータセットを検査することでバックドア攻撃の対象になるかどうかを明らかにすることである。
論文参考訳（メタデータ） (2023-01-11T16:31:38Z)
Cluster-guided Contrastive Graph Clustering Network [53.16233290797777]
クラスタ誘導コントラストグラフクラスタリングネットワーク(CCGC)を提案する。我々は、兄弟のサブネットワーク間で重みが共有されない特別なシームズエンコーダを設計することにより、グラフの2つのビューを構築する。意味的な負のサンプルペアを構築するために、異なる高信頼度クラスタの中心を負のサンプルとみなす。
論文参考訳（メタデータ） (2023-01-03T13:42:38Z)
Dual Cluster Contrastive learning for Person Re-Identification [78.42770787790532]
私たちはDual Cluster Contrastive Learning(DCC)という統合クラスタコントラストフレームワークを定式化します。 DCCは、個々のメモリバンクとセントロイドクラスタメモリバンクの2種類のメモリバンクを維持している。教師なしまたは監督されていない人物のReIDに容易に適用できる。
論文参考訳（メタデータ） (2021-12-09T02:43:25Z)
Mind Your Clever Neighbours: Unsupervised Person Re-identification via Adaptive Clustering Relationship Modeling [19.532602887109668]
教師なし人物再識別(Re-ID)は、教師付きRe-IDモデルのスケーラビリティ問題を解決する可能性から注目されている。既存の教師なし手法の多くは反復的なクラスタリング機構を採用しており、教師なしクラスタリングによって生成された擬似ラベルに基づいてネットワークを訓練している。高品質な擬似ラベルを生成し,クラスタリングエラーの影響を軽減するために,教師なしのRe-IDのための新しいクラスタリング関係モデリングフレームワークを提案する。
論文参考訳（メタデータ） (2021-12-03T10:55:07Z)
Hybrid Dynamic Contrast and Probability Distillation for Unsupervised Person Re-Id [109.1730454118532]
非監督的人物再識別(Re-Id)は、リードワールドビデオ監視システムにおける実践的応用により注目されている。本稿では,ハイブリッド動的クラスタコントラストと確率蒸留アルゴリズムを提案する。教師なしRe-Id問題を局所-言語的ダイナミックコントラスト学習と自己教師付き確率蒸留の枠組みに統合する。
論文参考訳（メタデータ） (2021-09-29T02:56:45Z)
You Never Cluster Alone [150.94921340034688]
我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
論文参考訳（メタデータ） (2021-06-03T14:59:59Z)
Progressive Cluster Purification for Unsupervised Feature Learning [48.87365358296371]
教師なしの特徴学習では、サンプル特異性に基づく手法はクラス間の情報を無視する。本稿では,プログレッシブクラスタ形成時にクラス不整合サンプルを除外するクラスタリングに基づく新しい手法を提案する。我々の手法は、プログレッシブ・クラスタ・パーフィケーション(PCP)と呼ばれ、訓練中に徐々にクラスタ数を減らし、プログレッシブ・クラスタリングを実装している。
論文参考訳（メタデータ） (2020-07-06T08:11:03Z)

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。