arXiv · AI· Ufaq Khan, Umair Nawaz, Satyajit Tourani, Awais Rauf, Fahad Shamshad, Asif Hanif, Rao Muhammad Anwer, Muhammad Haris Khan, Mohammad Yaqub·· 10 天前AI 评分32
BAPLe++:医学基础模型提示后门跨模型迁移性与提示级防御
BAPLe++: Cross-Model Transferability and Prompt-Level Defense of Backdoors in Medical Foundation Models
AI 导读
BAPLe++ 研究了医学基础模型中基于提示的后门攻击跨模型迁移性,提出 DePLe 防御方法。 实验在 4 个医学基础模型和 6 个数据集上进行,使用 CAD 和 BAD 指标量化迁移效果,DePLe 通过固定受感染提示学习新提示以消除后门。 该方法比 4 种无训练输入变换更有效地降低后门准确率,同时保持或提升清洁准确率。
来源:arXiv · AI · arxiv.org