Backdoor Learning Ressourcen

Dieses Github-Repository fasst eine Liste von Backdoor Learning Ressourcen zusammen. Weitere Details und die Kategorisierungskriterien finden Sie in unserer Übersicht.

Wir werden unser Bestes tun, um dieses Github-Repository monatlich kontinuierlich zu pflegen.

Warum Backdoor Learning?

Backdoor Learning ist ein aufstrebendes Forschungsgebiet, das die Sicherheitsprobleme des Trainingsprozesses maschineller Lernalgorithmen diskutiert. Es ist entscheidend für die sichere Übernahme von Trainingsressourcen oder -modellen Dritter in der Praxis.

Hinweis: 'Backdoor' wird auch häufig als 'Neural Trojan' oder 'Trojan' bezeichnet.

Neuigkeiten

• 2023/7/24: Ich habe zehn ICLR'23-Paper hinzugefügt. Alle Paper dieser Konferenz sollten jetzt enthalten sein.
• 2023/7/23: Ich habe sieben NeurIPS'22-Paper und vier AAAI'23-Paper hinzugefügt. Alle Paper dieser Konferenzen sollten jetzt enthalten sein.
• 2023/01/25: Es tut mir sehr leid, dass ich vor kurzem das Lesen relevanter Paper und die Aktualisierungen dieses Repos unterbrochen habe, aufgrund einiger persönlicher Probleme wie Krankheit und dem Schreiben meiner Ph.D.-Dissertation. Ich werde die Aktualisierung nach Juni 2023 wieder aufnehmen.
• 2022/12/05: Ich habe das Repo-Format leicht geändert, indem ich Konferenzbeiträge vor Journalbeiträgen platziere. Konkret: Bitte platziere im selben Jahr den Konferenzbeitrag vor dem Journalbeitrag, da Journale in der Regel lange vorher eingereicht werden und daher eine Verzögerung aufweisen.
• 2022/12/05: Ich habe drei ECCV'22-Paper hinzugefügt. Alle Paper dieser Konferenz sollten jetzt enthalten sein.

Referenz

Wenn unser Repo oder unsere Übersicht für Ihre Forschung nützlich ist, zitieren Sie bitte unser Paper wie folgt:``` @article{li2022backdoor, title={Backdoor learning: A survey}, author={Li, Yiming and Jiang, Yong and Li, Zhifeng and Xia, Shu-Tao}, journal={IEEE Transactions on Neural Networks and Learning Systems}, year={2022} }

## Mitwirken
<p align="center">
  <img src="https://assets.kitploit.com/production/public/readmes/placeholders/f0fc86cfe65f76d40e15aaec61704ec8220a56dc89d4be03c46f67cb31b9fa8c.svg" alt="Wir brauchen dich!">
</p>

Bitte hilf mit, diese Liste zu ergänzen, indem du [mich](http://liyiming.tech) kontaktierst oder einen [Pull Request](https://github.com/THUYimingLi/awesome-backdoor-learning/pulls) hinzufügst.

Markdown-Format:```markdown
- Paper Name. 
  [[pdf]](link) 
  [[code]](link)
  - Author 1, Author 2, **and** Author 3. *Conference/Journal*, Year.

Hinweis: Im selben Jahr bitte den Konferenzbeitrag vor dem Journalbeitrag einordnen, da Journale in der Regel schon lange vorher eingereicht werden und daher eine gewisse Verzögerung aufweisen. (d. h., Konferenzen-->Journale-->Preprints)

Inhaltsverzeichnis

• Übersicht
• Toolbox
• Dissertationen und Abschlussarbeiten
• Bild- und Videoklassifikation
  • Vergiftungsbasierter Angriff
  • Nicht-vergiftungsbasierter Angriff
    • Gewichtsorientierter Angriff
    • Strukturmodifizierter Angriff
    • Andere Angriffe
  • Backdoor-Verteidigung
    • Vorverarbeitungsbasierte empirische Verteidigung
    • Auf Modellrekonstruktion basierende empirische Verteidigung
    • Auf Triggersynthese basierende empirische Verteidigung
    • Auf Modelldiagnose basierende empirische Verteidigung
    • Auf Vergiftungsunterdrückung basierende empirische Verteidigung
    • Auf Stichprobenfilterung basierende empirische Verteidigung
    • Zertifizierte Verteidigung
• Angriff und Verteidigung für andere Paradigmen und Aufgaben
  • Föderiertes Lernen
  • Transferlernen
  • Bestärkendes Lernen
  • Teilüberwachtes und selbstüberwachtes Lernen
  • Quantisierung
  • Natürliche Sprachverarbeitung
  • Graph-Neuronale Netze
  • Punktwolke
  • Akustische Signalverarbeitung
  • Medizinwissenschaft
  • Erkennung und Verfolgung
  • Vision Transformer
  • Diffusionsmodell
  • Cybersicherheit
  • Sonstiges
• Evaluierung und Diskussion
• Backdoor-Angriff für positive Zwecke
• Wettbewerb

Übersicht

• Backdoor-Lernen: Ein Überblick. [pdf]

  • Yiming Li, Yong Jiang, Zhifeng Li, and Shu-Tao Xia. IEEE Transactions on Neural Networks and Learning Systems, 2022.

• Backdoor-Angriffe und Gegenmaßnahmen im Deep Learning: Ein umfassender Überblick. [pdf]

  • Yansong Gao, Bao Gia Doan, Zhi Zhang, Siqi Ma, Anmin Fu, Surya Nepal, and Hyoungshick Kim. arXiv, 2020.

• Datensicherheit für maschinelles Lernen: Datenvergiftung, Backdoor-Angriffe und Verteidigungsmaßnahmen. [pdf]

  • Micah Goldblum, Dimitris Tsipras, Chulin Xie, Xinyun Chen, Avi Schwarzschild, Dawn Song, Aleksander Madry, Bo Li, and Tom Goldstein. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2022.

• Ein umfassender Überblick über Vergiftungsangriffe und Gegenmaßnahmen im maschinellen Lernen. [Link]

  • Zhiyi Tian, Lei Cui, Jie Liang, and Shui Yu. ACM Computing Surveys, 2022.

• Backdoor-Angriffe und -Verteidigung im föderierten Lernen: Stand der Technik, Taxonomie und zukünftige Richtungen. [Link]

  • Xueluan Gong, Yanjiao Chen, Qian Wang, and Weihan Kong. IEEE Wireless Communications, 2022.

• Backdoor-Angriffe auf Bildklassifikationsmodelle in tiefen neuronalen Netzen. [Link]

  • Quanxin Zhang, Wencong Ma, Yajie Wang, Yaoyuan Zhang, Zhiwei Shi, and Yuanzhang Li. Chinese Journal of Electronics, 2022.

• Verteidigung gegen neuronale Trojaner-Angriffe: Ein Überblick. [Link]

  • Sara Kaviani and Insoo Sohn. Neurocomputing, 2021.

• Ein Überblick über neuronale Trojaner. [pdf]

  • Yuntao Liu, Ankit Mondal, Abhishek Chakraborty, Michael Zuzak, Nina Jacobsen, Daniel Xing, and Ankur Srivastava. ISQED, 2020.

• Backdoor-Angriffe gegen Spracherkennungssysteme: Ein Überblick. [pdf]

  • Baochen Yan, Jiahe Lan, and Zheng Yan. arXiv, 2023.

• Ein Überblick über neuronale Trojaner-Angriffe und -Verteidigung im Deep Learning. [pdf]

  • Jie Wang, Ghulam Mubashar Hassan, and Naveed Akhtar. arXiv, 2022.

• Bedrohungen für vorab trainierte Sprachmodelle: Überblick und Taxonomie. [pdf]

  • Shangwei Guo, Chunlong Xie, Jiwei Li, Lingjuan Lyu, and Tianwei Zhang. arXiv, 2022.