論文の概要: RePAIR: Inverting Backdoor Attacks in Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2610.37015v1
• Date: Tue, 27 Oct 2026 10:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.571301
• Title: RePAIR: Inverting Backdoor Attacks in Semantic Segmentation
• Title（参考訳）: RePAIR:セマンティックセグメンテーションにおけるバックドア攻撃の反転
• Abstract要約: RePAIRは、セマンティックセグメンテーションモデルのためのラベルのないアタック・アウェア・ディフェンスである。 これは、ラベルのない潜在的に汚染されたイメージプールから被害者とターゲットの関係を推測する。 頭部の予測と内部のセマンティック・エビデンスを比較して不審なピクセルをローカライズする。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite significant advances in computer vision, semantic segmentation models remain vulnerable to backdoor attacks, posing a security risk. These attacks redirect pixels of a chosen victim class to an attacker-specified target class when a trigger is present, while preserving clean predictions. Existing defenses are largely derived from image classification, while dedicated segmentation defenses remain scarce and typically require retraining or model modification. We introduce RePAIR, a post-hoc, label-free, attack-unaware defense based on the observation that backdoor-induced shifts can be stronger in the classifier head than in internal representations, leaving recoverable victim-class semantics. RePAIR infers the victim-target relation from an unlabeled, potentially contaminated image pool, constructs a safety-approved semantic reference, and localizes suspicious pixels by comparing head predictions with internal semantic evidence. It then applies feature-space and output corrections toward the inferred victim semantics, while conservative localization and output constraints limit changes to benign predictions. We model the attack as adversarial probability transport and repair as its approximate reversal, deriving bounds and sufficient conditions for localization, residual attack success, clean-side changes, defense-induced target predictions, and attack-unaware pair identification. Experiments across segmentation architectures and attack settings show that RePAIR substantially reduces attack success while largely preserving clean performance.
• Abstract（参考訳）: コンピュータビジョンの大幅な進歩にもかかわらず、セマンティックセグメンテーションモデルはバックドア攻撃に弱いままであり、セキュリティ上のリスクが生じる。 これらの攻撃は、選択された犠牲者クラスのピクセルを、クリーンな予測を保持しながら、トリガーが存在するときに攻撃者が特定したターゲットクラスにリダイレクトする。 既存の防御は画像分類から大きく派生しているが、専用セグメンテーションディフェンスは少ないままであり、通常、再訓練やモデル修正を必要とする。 バックドアによって引き起こされるシフトは、内部表現よりも、分類器ヘッドにおいて強くなり、回復可能な犠牲者階級のセマンティクスが残るという観察に基づく、ポストホック、ラベルフリー、アタック・アタック・アウェア・ディフェンスであるRePAIRを紹介した。 RePAIRは、ラベルのない潜在的に汚染されたイメージプールから被害者とターゲットの関係を推測し、安全承認されたセマンティックリファレンスを構築し、頭部の予測と内部のセマンティックエビデンスを比較して不審なピクセルをローカライズする。 その後、推測された犠牲者のセマンティクスに対して特徴空間と出力の補正を適用し、保守的なローカライゼーションと出力制約は良質な予測に変化を制限する。 我々は、攻撃を敵の確率輸送と修復としてモデル化し、その近似逆転として、局所化、残留攻撃成功、クリーンサイドの変更、防衛誘導目標予測、攻撃未認識ペア識別のための境界条件と十分な条件を導出する。 セグメンテーションアーキテクチャとアタック設定による実験では、RePAIRは、クリーンなパフォーマンスを保ちながら、アタック成功を大幅に削減することを示している。

関連論文リスト

• TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors [54.12833308568015]
  VLA(Vision-Language-Action)モデルは、エンドユーザが監査できないパイプラインを通じてデプロイされる。 小さな視覚トリガーは、障害が観測可能である前に、長い水平ロボットポリシーをリダイレクトする。 個別に提案した2つのVLA攻撃を通してこのギャップについて検討した。
  論文  参考訳（メタデータ） (2026-07-14T09:43:52Z)
• Backdoor Mitigation in Object Detection via Adversarial Fine-Tuning [10.393154496941527]
  バックドア攻撃は、安全クリティカルな視覚システムに深刻な脅威をもたらす。 適応微調整は、分類において一般的なバックドア緩和手法である。 物体検出バックドアの軽減のための検出対応逆調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-07T09:33:06Z)
• BURN: Backdoor Unlearning via Adversarial Boundary Analysis [73.14147934175604]
  Backdoor Unlearningは、モデル本来の機能を保持しながら、バックドア関連の情報を削除することを目的としている。 本稿では, 偽相関疎結合, プログレッシブデータリファインメント, モデル浄化を統合した新しい防御フレームワーク, BURNによるバックドア・アンラーニングを提案する。
  論文  参考訳（メタデータ） (2025-07-14T17:13:06Z)
• BadCLIP: Dual-Embedding Guided Backdoor Attack on Multimodal Contrastive Learning [85.2564206440109]
  本報告では,防衛後においてもバックドア攻撃が有効であり続けるという現実的なシナリオにおける脅威を明らかにする。 バックドア検出や細調整防御のモデル化に抵抗性のあるemphtoolnsアタックを導入する。
  論文  参考訳（メタデータ） (2023-11-20T02:21:49Z)
• G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks through Attributed Client Graph Clustering [116.4277292854053]
  Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。 FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。 本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:15:04Z)
• Influencer Backdoor Attack on Semantic Segmentation [39.57965442338681]
  インフルエンサーバックドアアタック(IBA)はセマンティックセグメンテーションモデルに対するバックドアアタックである。 IBAは、すべての推定において、非ビビティ画素の分類精度と、すべての犠牲者画素の誤った分類を維持することが期待されている。 我々は,被害者の画素から離れた位置にトリガを配置しても最適な性能を維持する,革新的なPixelランダムラベリング戦略を導入する。
  論文  参考訳（メタデータ） (2023-03-21T17:45:38Z)
• Hidden Backdoor Attack against Semantic Segmentation Models [60.0327238844584]
  Emphbackdoor攻撃は、深層ニューラルネットワーク(DNN)に隠れたバックドアを埋め込み、トレーニングデータに毒を盛ることを目的としている。 我々は,対象ラベルを画像レベルではなくオブジェクトレベルから扱う,新たな攻撃パラダイムであるemphfine-fine-grained attackを提案する。 実験により、提案手法はわずかなトレーニングデータだけを毒殺することでセマンティックセグメンテーションモデルを攻撃することに成功した。
  論文  参考訳（メタデータ） (2021-03-06T05:50:29Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。