跳到正文
arXiv · ML· Evan Rose, Alina Oprea·· 24 天前AI 评分23

基于 f-散度的后门投毒攻击认证鲁棒性框架

A Certified Robustness Framework for Backdoor Poisoning Attacks using $f$-Divergences

AI 导读

针对不可信数据训练中的后门投毒攻击,提出基于 f-散度的通用认证鲁棒性框架。 该框架结合数据子采样与特征、标签及测试样本噪声,支持任意威胁模型组合。 实验首次认证了在 bagging 结合加性 Laplace、Gaussian 或 Uniform 噪声下,针对一般 ℓp-约束投毒对手的鲁棒性。

来源:arXiv · ML · arxiv.org