TARE量化后门防御的代价
热点事件观察中
TARE量化后门防御的代价
1 篇报道1 个报道来源2 天前更新
先了解这件事
AI 综述
Ruizhi Xu、Wei Xu和Sibo Zhu提出TARE，用与受污染受害模型训练配方、学习率日程和随机种子相同但未投毒的孪生模型，区分后门移除效果与防御本身对模型准确率的影响。作者称，在CIFAR等设置中，部分攻击的学习率日程从未触发，导致受害模型准确率偏低；在BadNets的7种攻击、8种防御方法实验中，7种防御使孪生模型准确率下降0.13至5.70个百分点，其中Neural Cleanse仅在检测器触发时计入，ABL则破坏了孪生模型。
AI 根据报道生成 · 1 小时前更新
最新进展10月7日 12:00
TARE：在读取后门防御成本前先衡量未污染孪生模型报道时间线
沿着报道，了解事件的不同侧面。
10月7日
- arXiv · cs.AITARE：在读取后门防御成本前先衡量未污染孪生模型
TARE论文提出用与受污染受害模型具有相同训练配方、学习率日程和随机种子的未污染孪生模型，估计后门防御方法本身造成的干净准确率成本。作者报告，在CIFAR等设置中，部分攻击的学习率日程从未触发，导致受害模型准确率偏低；7个攻击和8个防御方法的实验显示，孪生模型上的成本可从+0.13到+5.70个百分点，ABL则会破坏该模型。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。