分离触发器和多重对比的数据浓缩后门攻击
Abstract
目的现有数据浓缩后门攻击方法将含有触发器的中毒样本和干净样本浓缩为小的数据集，中毒数据中真实数据的强信号掩盖触发器的弱信号，并且未考虑将非目标类浓缩数据与中毒数据特征分离，非目标类浓缩数据残留触发器特征。因此，提出分离触发器和多重对比的数据浓缩后门攻击。方法首先将触发器与真实数据进行分离。分离的触发器作为样本与真实数据并行嵌入浓缩数据，减少真实数据对触发器的干扰。然后，对分离的触发器进行优化，将触发器接近目标类真实数据的特征，提高触发器的嵌入效果，同时对触发器进行了分区放大预处理来增加触发器像素的数量，使其在优化过程获取大量的梯度用于指导学习。在数据浓缩阶段，通过多重对比将目标类浓缩数据与触发器特征投影在同一空间，将非目标类浓缩数据与触发器特征分离，进一步提高后门攻击的成功率。结果为了验证所提出方法的有效性，将所提出方法在 FashionMNIST（Fashion Modified National Institute of Standards and Technology database）、CIFAR10（Canadian Institute for Advances Research’s ten categories dataset）、STL10（Stanford letter-10）、SVHN（street view house numbers）与其他4种方法进行对比实验。所提出的方法在5个数据集和6个不同的模型上均达到100%的攻击成功率，同时未降低干净样本在模型上的准确率。结论所提出的方法通过解决现有方法存在的问题，实现了性能的显著提高。本文方法具体代码见：https://github.com/tfuy/STMC。
Fields of Study & Subjects
Adversarial Robustness in Machine Learning
Digital Media Forensic Detection
Privacy-Preserving Technologies in Data
Publication details
- Journal / source
- Journal of Image and Graphics
- Volume
- 31
- Issue
- 1
- Pages
- 177–196
- Publication date
- 1 January 2026
- Language
- EN