thuyimingli/backdoor-learning-resourcesKuratierte Liste von Backdoor-Learning-Papers, Übersichtsarbeiten und Toolboxen, die vergiftungsbasierte Angriffe und Verteidigungen im Deep Learning für Forscher und Sicherheitsexperten organisiert.
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.
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.
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)
Backdoor-Lernen: Ein Überblick. [pdf]
Backdoor-Angriffe und Gegenmaßnahmen im Deep Learning: Ein umfassender Überblick. [pdf]
Datensicherheit für maschinelles Lernen: Datenvergiftung, Backdoor-Angriffe und Verteidigungsmaßnahmen. [pdf]
Ein umfassender Überblick über Vergiftungsangriffe und Gegenmaßnahmen im maschinellen Lernen. [Link]
Backdoor-Angriffe und -Verteidigung im föderierten Lernen: Stand der Technik, Taxonomie und zukünftige Richtungen. [Link]
Backdoor-Angriffe auf Bildklassifikationsmodelle in tiefen neuronalen Netzen. [Link]
Verteidigung gegen neuronale Trojaner-Angriffe: Ein Überblick. [Link]
Ein Überblick über neuronale Trojaner. [pdf]
Vergiftungsbasierte Backdoor-Angriffe im Bereich Computer Vision. [pdf]
Verteidigung gegen Backdoor-Angriffe auf Deep-Neural-Network-Klassifikatoren. [pdf]
Auf dem Weg zu adversarialer und Backdoor-Robustheit beim Deep Learning. [Link]
Auf dem Weg zu robustem und kommunikationseffizientem verteiltem maschinellem Lernen. [pdf]
Auf dem Weg zu robuster Bildklassifikation mit Deep Learning und Echtzeit-DNN-Inferenz auf Mobilgeräten. [pdf]
Gegenmaßnahmen gegen Backdoor-, Data-Poisoning- und Adversarial-Angriffe. [pdf]
Verstehen und Abschwächen der Auswirkungen von Backdooring-Angriffen auf tiefe neuronale Netze. [pdf]
Un-fair trojan: Gezielte Backdoor-Angriffe gegen die Fairness von Modellen. [pdf]
Überprüfen Sie Ihre andere Tür: Erzeugung von Backdoor-Angriffen im Frequenzbereich.
Überdenken der Annahme latenter Separierbarkeit für Backdoor-Verteidigungen. [pdf] [Code]
Few-Shot-Backdoor-Angriffe mithilfe neuronaler Tangenten-Kernel. [pdf] [Code]
Color Backdoor: Ein robuster Vergiftungsangriff im Farbraum. [pdf]
Ungerichtetes Backdoor-Wasserzeichen: Auf dem Weg zu harmlosem und heimlichem Urheberrechtsschutz für Datensätze. [pdf] [Code]
DEFEAT: Deep Hidden Feature Backdoor-Angriffe durch unmerkliche Störungen und Einschränkungen latenter Repräsentationen. [pdf]
Marksman Backdoor: Backdoor-Angriffe mit beliebiger Zielklasse. [pdf]
Ein unsichtbarer Black-Box-Backdoor-Angriff über den Frequenzbereich. [pdf] [Code]
BppAttack: Heimliche und effiziente Trojaner-Angriffe gegen tiefe neuronale Netze mittels Bildquantisierung und kontrastivem adversarialem Lernen. [pdf] [Code]
Dynamische Backdoor-Angriffe gegen maschinelle Lernmodelle. [pdf]
Unmerklicher Backdoor-Angriff: Vom Eingaberaum zur Merkmalsrepräsentation. [pdf] [Code]
Unsichtbarer Backdoor-Angriff mit stichprobenspezifischen Triggern. [pdf] [Code]
Manipulation von SGD durch Datenreihenfolge-Angriffe. [pdf]
Backdoor-Angriff mit unmerklicher Eingabe und latenter Modifikation. [pdf]
LIRA: Lernbare, unmerkliche und robuste Backdoor-Angriffe. [pdf]
Blinde Backdoors in Deep-Learning-Modellen. [pdf] [Code]
Backdoor-Angriffe gegen Deep-Learning-Systeme in der physischen Welt. [pdf] [Masterarbeit]
Trojaner-Angriff im tiefen Merkmalsraum neuronaler Netze durch kontrollierte Entgiftung. [pdf] [Code]
WaNet – Unmerklicher, auf Warping basierender Backdoor-Angriff. [pdf]
Composite-Backdoor-Angriff auf tiefe neuronale Netze durch Mischen vorhandener gutartiger Merkmale. [pdf]
Eingabebewusster dynamischer Backdoor-Angriff. [pdf] [code]
Umgehung von Backdoor-Erkennungsalgorithmen im Deep Learning. [pdf]
Einbettung von Backdoors in Convolutional-Neural-Network-Modelle mittels unsichtbarer Störung. [pdf]
Clean-Label-Backdoor-Angriffe auf Videoerkennungsmodelle. [pdf] [code]
Umgehung der Erkennung von Backdoor-Angriffen beim Deep Learning. [link]
Reflection Backdoor: Ein natürlicher Backdoor-Angriff auf tiefe neuronale Netze. [pdf] [code]
Live-Trojaner-Angriffe auf tiefe neuronale Netze. [pdf] [code]
Ein neuer Backdoor-Angriff in CNNS durch Korruption des Trainingssatzes ohne Label-Vergiftung. [pdf]
Label-konsistente Backdoor-Angriffe. [pdf] [code]
BadNets: Identifizierung von Schwachstellen in der Lieferkette von Machine-Learning-Modellen. [pdf] [Zeitschrift]
Gezielte Backdoor-Angriffe auf Deep-Learning-Systeme mittels Datenvergiftung. [pdf] [code]
Handgefertigte Backdoors in tiefen neuronalen Netzen. [pdf]
Kaum wahrnehmbarer Trojaner-Angriff gegen neuronale Netze mit Bit-Flips. [pdf] [code]
ProFlip: Gezielter Trojaner-Angriff mit progressiven Bit-Flips. [pdf]
TBT: Gezielter Angriff auf neuronale Netze mit Bit-Trojaner. [pdf] [code]
Wie man Backdoors mit besserer Konsistenz injiziert: Logit-Ankerung auf sauberen Daten. [pdf]
Können adversariale Gewichtsstörungen neuronale Backdoors injizieren? [pdf]
Vielseitiger Gewichtsangriff durch Kippen begrenzter Bits. [pdf]
Auf dem Weg zu realistischen Backdoor-Injektionsangriffen auf DNNs mittels Rowhammer. [pdf]
LoneNeuron: Ein hocheffektiver neuronaler Trojaner in der Merkmalsdomäne unter Verwendung unsichtbarer und polymorpher Wasserzeichen. [pdf]
Auf dem Weg zu praktischen Backdoor-Angriffen in der Bereitstellungsphase auf tiefe neuronale Netze. [pdf] [code]
Nadeln im Heuhaufen verstecken: Auf dem Weg zur Konstruktion neuronaler Netze, die der Verifikation entgehen. [link] [code]
Verdeckter und flexibler Trojaner im Deep-Learning-Framework. [link]
FooBaR: Fehlertäuschender Backdoor-Angriff auf das Training neuronaler Netze. [link] [code]
DeepPayload: Black-Box-Backdoor-Angriff auf Deep-Learning-Modelle durch Injektion neuronaler Nutzlasten. [pdf]
Ein verblüffend einfacher Ansatz für Trojaner-Angriffe in tiefen neuronalen Netzen. [pdf] [code]
ImpNet: Nicht wahrnehmbare und für Black-Box nicht erkennbare Backdoors in kompilierten neuronalen Netzen. [pdf] [Website] [code]
Triggere mich nicht! Ein triggerloser Backdoor-Angriff gegen tiefe neuronale Netze. [pdf]
Backdoor-Angriff in der physischen Welt. [pdf] [Erweiterung]
DeepSweep: Ein Evaluierungsrahmen zur Abschwächung von DNN-Backdoor-Angriffen mittels Datenanreicherung. [pdf] [code]
Februus: Eingabereinigungs-Verteidigung gegen Trojaner-Angriffe auf Systeme tiefer neuronaler Netze. [pdf] [code]
Neuronale Trojaner. [pdf]
Verteidigung tiefer neuronaler Netze gegen Backdoor-Angriffe mittels De-Trigger-Autoencoder. [pdf]
ConFoc: Inhaltsfokussierter Schutz gegen Trojaner-Angriffe auf neuronale Netze. [pdf]
Modellagnostische Verteidigung gegen Backdoor-Angriffe im Machine Learning. [pdf]
Backdoor-Reinigung mit ungelabelten Daten. [pdf] [code]
Adversariales Verlernen von Backdoors mittels implizitem Hypergradienten. [pdf] [code]
Datenfreie Backdoor-Entfernung basierend auf Kanal-Lipschitzheit. [pdf] [code]
Beseitigung von Backdoor-Triggern für tiefe neuronale Netze mittels Attention-Relation-Graph-Destillation. [pdf]
Pre-Aktivierungsverteilungen legen Backdoor-Neuronen offen. [pdf] [code]
Adversariales Neuronen-Beschneiden reinigt mit Backdoors versehene Deep-Modelle. [pdf] [code]
Neuronale Aufmerksamkeitsdestillation: Löschen von Backdoor-Triggern aus tiefen neuronalen Netzen. [pdf] [code]
Destillation kognitiver Backdoor-Muster innerhalb eines Bildes. [pdf] [code]
UNICORN: Ein einheitliches Framework zur Backdoor-Trigger-Inversion. [pdf] [code]
Bessere Trigger-Inversions-Optimierung beim Backdoor-Scanning. [pdf] [code]
Few-Shot-Backdoor-Verteidigung mithilfe der Shapley-Schätzung. [pdf]
Das Reverse-Engineering von Trojan-Triggern überdenken. [pdf] [code]
One-Shot-neuronale Backdoor-Löschung mittels adversarieller Gewichtsmaskierung. [pdf] [code]
Erkennung komplexer Backdoors durch symmetrische Feature-Differenzbildung. [pdf] [code]
Erkennung von Backdoor-Angriffen nach dem Training für Zwei-Klassen- und Multi-Angriffs-Szenarien. [pdf] [code]
Randomisiertes Kanal-Shuffling: Backdoor-Angriffserkennung mit minimalem Overhead ohne saubere Datensätze. [pdf] [code]
Ein Anomalieerkennungsansatz für neuronale Netze mit Backdoors: Gesichtserkennung als Fallstudie. [pdf]
Backdoor-Erkennung für tiefe neuronale Netze basierend auf kritischen Pfaden. [link]
Erkennung von KI-Trojanern mittels Meta-Neuronal-Analyse. [pdf]
Topologische Erkennung trojanischer neuronaler Netze. [pdf]
Black-Box-Erkennung von Backdoor-Angriffen mit begrenzten Informationen und Daten.
Backdoor-Verteidigung durch Entkopplung des Trainingsprozesses. [pdf] [code]
Effektive Backdoor-Verteidigung durch Ausnutzung der Sensitivität vergifteter Stichproben. [pdf] [code]
Trap and Replace: Verteidigung gegen Backdoor-Angriffe, indem sie in ein leicht austauschbares Subnetz gelockt werden. [pdf] [code]
Training mit mehr Konfidenz: Abschwächung injizierter und natürlicher Backdoors während des Trainings. [pdf] [code]
Anti-Backdoor-Lernen: Training sauberer Modelle auf vergifteten Daten. [pdf] [code]
Robuste Anomalieerkennung und Erkennung von Backdoor-Angriffen durch differenzielle Privatsphäre. [pdf] [code]
Starke Datenaugmentierung bereinigt Vergiftungs- und Backdoor-Angriffe ohne Genauigkeitseinbußen. [pdf]
SCALE-UP: Eine effiziente Black-Box-Erkennung von Backdoors auf Eingabeebene durch Analyse der skalierten Vorhersagekonsistenz. [pdf] [code]
Destillation kognitiver Backdoor-Muster in einem Bild. [pdf] [code]
Inkompatibilitäts-Clustering als Verteidigung gegen Backdoor-Vergiftungsangriffe. [pdf] [code]
Die "Beatrix''-Auferstehungen: Robuste Backdoor-Erkennung mittels Gram-Matrizen. [pdf] [code]
Effektive Backdoor-Verteidigung durch Ausnutzung der Sensitivität vergifteter Stichproben. [pdf] [code]
Hin zu effektiven und robusten Verteidigungen gegen neuronale Trojaner mittels Eingabefilterung. [pdf] [code]
Können wir Backdoor-Angriffe mit adversariellen Erkennungsmethoden abschwächen? [link]
Towards Robustness Certification Against Universal Perturbations. [pdf] [code]
BagFlip: A Certified Defense against Data Poisoning. [pdf] [code]
RAB: Provable Robustness Against Backdoor Attacks. [pdf] [code]
Certified Robustness of Nearest Neighbors against Data Poisoning and Backdoor Attacks. [pdf]
Deep Partition Aggregation: Provable Defense against General Poisoning Attacks [pdf] [code]
Intrinsic Certified Robustness of Bagging against Data Poisoning Attacks [pdf] [code]
Certified Robustness to Label-Flipping Attacks via Randomized Smoothing. [pdf]
On Certifying Robustness against Backdoor Attacks via Randomized Smoothing. [pdf]
FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning. [pdf] [code]
On the Vulnerability of Backdoor Defenses for Federated Learning. [link] [code]
Poisoning with Cerberus: Stealthy and Colluded Backdoor Attack against Federated Learning. [link]
Neurotoxin: Durable Backdoors in Federated Learning. [pdf]
FLAME: Taming Backdoors in Federated Learning. [pdf]
DeepSight: Mitigating Backdoor Attacks in Federated Learning Through Deep Model Inspection. [pdf]
Defending Label Inference and Backdoor Attacks in Vertical Federated Learning. [pdf]
An Analysis of Byzantine-Tolerant Aggregation Mechanisms on Model Poisoning in Federated Learning.
Inkrementelles Lernen, inkrementelle Backdoor-Bedrohungen. [link]
Robuste Backdoor-Injektion mit der Fähigkeit, Netzwerk-Transfer zu widerstehen. [link]
Anti-Destillations-Backdoor-Angriffe: Backdoors können in der Wissensdestillation tatsächlich überleben. [pdf]
Backdoor-Angriffe mit versteckten Triggern. [pdf] [code]
Gewichtsvergiftungsangriffe auf vortrainierte Modelle. [pdf] [code]
Backdoor-Angriffe gegen Transferlernen mit vortrainierten Deep-Learning-Modellen. [pdf]
Latente Backdoor-Angriffe auf tiefe neuronale Netze. [pdf]
Architektonische Backdoors in neuronalen Netzen. [pdf]
Nachweisbare Verteidigung gegen Backdoor-Policies im Reinforcement Learning. [pdf] [code]
MARNet: Backdoor-Angriffe gegen kooperatives Multi-Agenten-Reinforcement-Learning. [link]
BACKDOORL: Backdoor-Angriff gegen kompetitives Reinforcement Learning. [pdf]
Stop-and-Go: Untersuchung von Backdoor-Angriffen auf Deep-Reinforcement-Learning-basierte Verkehrsstau-Kontrollsysteme. [pdf]
Agent Manipulator: Verdeckte Strategieangriffe auf Deep Reinforcement Learning. [link]
TrojDRL: Evaluierung von Backdoor-Angriffen auf Deep Reinforcement Learning. [pdf] [code]
Vergiftung von Deep-Reinforcement-Learning-Agenten mit In-Distribution-Triggern. [pdf]
Ein Backdoor-Angriff mit zeitlichen Mustern auf Deep Reinforcement Learning. [pdf]
Backdoor-Angriffe auf selbstüberwachtes Lernen. [pdf] [code]
Vergiftung und Backdooring von kontrastivem Lernen. [pdf]
BadEncoder: Backdoor-Angriffe auf vortrainierte Encoder im selbstüberwachten Lernen. [pdf] [code]
DeHiB: Tiefer versteckter Backdoor-Angriff auf halbüberwachtes Lernen durch adversarielle Störungen. [pdf]
Tiefe neuronale Backdoor im halbüberwachten Lernen: Bedrohungen und Gegenmaßnahmen. [link]
Backdoor-Angriffe in der Lieferkette von Masked Image Modeling. [pdf]
Wasserzeichenmarkierung vortrainierter Encoder im kontrastiven Lernen. [pdf]
RIBAC: Auf dem Weg zu robusten und unmerklichen Backdoor-Angriffen gegen kompakte DNNs. [pdf] [code]
Qu-ANTI-zation: Ausnutzung von Quantisierungsartefakten zur Erzielung adversarieller Ergebnisse. [pdf] [code]
Verständnis der Bedrohungen durch trojanisierte quantisierte neuronale Netze in Modell-Lieferketten. [pdf]
Quantisierungs-Backdoors für Deep-Learning-Modelle. [pdf]
Verdeckte Backdoors als Kompressionsartefakte. [pdf]
TrojText: Unsichtbare textuelle Trojaner-Einschleusung zur Testzeit. [pdf] [code]
Verteidigung gegen Backdoor-Angriffe bei der Generierung natürlicher Sprache. [link]
Entfernen von Backdoors in vortrainierten Modellen durch reguliertes kontinuierliches Pre-Training. [pdf] [code]
BadPrompt: Backdoor-Angriffe auf kontinuierliche Prompts. [pdf] [code]
Moderate-fitting als natürlicher Backdoor-Verteidiger für vortrainierte Sprachmodelle [pdf] [code]
Eine einheitliche Evaluierung von textuellem Backdoor-Lernen: Frameworks und Benchmarks. [pdf] [code]
Verdrehte Sprachmodelle: Risiken von Propaganda-as-a-Service und Gegenmaßnahmen [pdf] [code]
Transferable Graph Backdoor Attack. [pdf]
More is Better (Mostly): On the Backdoor Attacks in Federated Graph Neural Networks. [pdf]
Backdoor Attacks to Graph Neural Networks. [pdf]
Defending Against Backdoor Attack on Graph Nerual Network by Explainability. [pdf]
Link-Backdoor: Backdoor Attack on Link Prediction via Node Injection. [pdf] [code]
Neighboring Backdoor Attacks on Graph Convolutional Network. [pdf]
Dyn-Backdoor: Backdoor Attack on Dynamic Link Prediction. [pdf]
Explainability-based Backdoor Attacks Against Graph Neural Networks. [pdf]
A Backdoor Attack against 3D Point Cloud Classifiers. [pdf] [code]
PointBA: Towards Backdoor Attacks in 3D Point Cloud. [pdf]
Imperceptible and Robust Backdoor Attack in 3D Point Cloud. [pdf]
Detecting Backdoor Attacks Against Point Cloud Classifiers. [pdf]
Poisoning MorphNet for Clean-Label Backdoor Attack to Point Clouds. [pdf]
Toward Stealthy Backdoor Attacks against Speech Recognition via Elements of Sound. [pdf] [code]
Breaking Speaker Recognition with Paddingback. [link]
Inaudible Backdoor Attack via Stealthy Frequency Trigger Injection in Audio Spectrogram. [link]
SilentTrig: An imperceptible backdoor attack against speaker identification with hidden triggers. [link]
Devil in the Room: Triggering Audio Backdoors in the Physical World. [pdf]
The Silent Manipulator: A Practical and Inaudible Backdoor Attack against Speech Recognition Systems. [link]
Going in Style: Audio Backdoors Through Stylistic Transformations. [pdf]
VenoMave: Targeted Poisoning Against Speech Recognition. [pdf]
FIBA: Frequency-Injection based Backdoor Attack in Medical Image Analysis. [pdf]
Exploiting Missing Value Patterns for a Backdoor Attack on Machine Learning Models of Electronic Health Records: Development and Validation Study. [link]
Machine Learning with Electronic Health Records is vulnerable to Backdoor Trigger Attacks. [pdf]
Explainability Matters: Backdoor Attacks on Medical Imaging. [pdf]
TRAPDOOR: Repurposing Backdoors to Detect Dataset Bias in Machine Learning-based Genomic Analysis. [pdf]
You Are Catching My Attention: Are Vision Transformers Bad Learners Under Backdoor Attacks? [pdf]
TrojViT: Trojan Insertion in Vision Transformers. [pdf]
Defending Backdoor Attacks on Vision Transformer via Patch Processing. [link]
Backdoor Attacks on Vision Transformers. [pdf] [code]
TrojViT: Trojan Insertion in Vision Transformers. [pdf]
Attention Hijacking in Trojan Transformers. [pdf]
DBIA: Data-free Backdoor Injection Attack against Transformer Networks. [pdf] [code]
How to Backdoor Diffusion Models? [pdf] [code]
TrojDiff: Trojan Attacks on Diffusion Models With Diverse Targets. [pdf] [code]
VulnerGAN: A Backdoor Attack through Vulnerability Amplification against Machine Learning-based Network Intrusion Detection Systems. [link] [code]
Explanation-Guided Backdoor Poisoning Attacks Against Malware Classifiers. [pdf]
Backdoor Attack on Machine Learning Based Android Malware Detectors. [link]
Jigsaw Puzzle: Selective Backdoor Attack to Subvert Malware Classifiers. [pdf]
Clean-image Backdoor: Attacking Multi-label Models with Poisoned Labels Only. [pdf] [code]
Untargeted Backdoor Attack against Object Detection. [pdf] [code]
Few-Shot Backdoor Attacks on Visual Object Tracking. [pdf] [code]
BadDet: Backdoor attacks on object detection. [pdf]
Attacking by Aligning: Clean-Label Backdoor Attacks on Object Detection. [pdf]
Mask-based Invisible Backdoor Attacks on Object Detection. [pdf]
TAT: Targeted Backdoor Attacks against Visual Object Tracking. [link] [code]
The Dark Side of AutoML: Towards Architectural Backdoor Search. [pdf] [code]
Backdoor Attacks Against Deep Image Compression via Adaptive Frequency Trigger. [pdf] Yi Yu, Yufei Wang, Wenhan Yang, Shijian Lu, Yap-Peng Tan, and Alex C. Kot. CVPR, 2023.
The Dark Side of Dynamic Routing Neural Networks: Towards Efficiency Backdoor Injection. [pdf]
Backdoor Attacks on Crowd Counting. [pdf]
Backdoor Attacks on the DNN Interpretation System. [pdf]
The Devil is in the GAN: Defending Deep Generative Models Against Backdoor Attacks. [pdf] [code] [demo]
Object-Oriented Backdoor Attack Against Image Captioning. [link]
When Does Backdoor Attack Succeed in Image Reconstruction? A Study of Heuristics vs. Bi-Level Solution. [link]
Destillation kognitiver Backdoor-Muster innerhalb eines Bildes. [pdf] [code]
Auffinden natürlich vorkommender physischer Backdoors in Bilddatensätzen. [pdf] [code]
BackdoorBox: Eine Python-Toolbox für Backdoor-Lernen. [pdf] [code]
TROJANZOO: Alles, was Sie schon immer über neuronale Backdoors wissen wollten (aber sich nicht zu fragen trauten). [pdf] [code]
Eine einheitliche Bewertung des textuellen Backdoor-Lernens: Frameworks und Benchmarks. [pdf] [code]
BackdoorBench: Ein umfassender Benchmark für Backdoor-Lernen. [pdf] [code] [website]
Backdoor-Angriffe gegen Spracherkennungssysteme: Ein Überblick. [pdf]
Ein Überblick über neuronale Trojaner-Angriffe und -Verteidigung im Deep Learning. [pdf]
Bedrohungen für vorab trainierte Sprachmodelle: Überblick und Taxonomie. [pdf]
Ein Überblick über Backdoor-Angriffe gegen tiefe neuronale Netze und mögliche Verteidigungsmaßnahmen. [pdf]
Deep-Learning-Backdoors. [pdf]
Backdoor-Angriffe in neuronalen Netzen. [Link]
Backdoor-Verteidigungen. [pdf]
Geometrische Eigenschaften von mit Backdoors versehenen neuronalen Netzen. [pdf]
Erkennung von mit Backdoors versehenen neuronalen Netzen mittels strukturierter Adversarial-Angriffe. [pdf]
Backdoor-Angriffe gegen Deep-Learning-Systeme in der physischen Welt. [pdf]
Heimlicher Backdoor-Angriff mit adversarialem Training. [Link]
Unsichtbare und effiziente Backdoor-Angriffe für komprimierte tiefe neuronale Netze. [Link]
Dynamische Backdoors mit Global Average Pooling. [pdf]
Poison Ink: Robuster und unsichtbarer Backdoor-Angriff. [pdf]
Verbesserung von Backdoor-Angriffen durch mehrstufige MMD-Regularisierung. [Link]
PTB: Robuste physische Backdoor-Angriffe gegen tiefe neuronale Netze in der realen Welt. [Link]
IBAttack: Vorsicht bei Datenlabels. [Link]
BlindNet Backdoor: Angriff auf tiefe neuronale Netze mittels blindem Wasserzeichen. [Link]
Natürliche Backdoor-Angriffe auf tiefe neuronale Netze mittels Regentropfen. [Link]
Auf verteilter Pixelstörung basierender unmerklicher Backdoor-Trigger für Bildklassifikatormodelle. [pdf]
FRIB: Unsichtbarer Backdoor-Angriff mit niedriger Vergiftungsrate auf Basis von Merkmalsreparatur. [pdf]
Augmentierungs-Backdoors. [pdf] [Code]
Dreh es einfach: Bereitstellung von Backdoor-Angriffen mittels Rotationstransformation. [pdf]
Natürliche Backdoor-Datensätze. [pdf]
Verbesserung von Clean-Label-Backdoor-Angriffen mit zweiphasigen spezifischen Triggern. [pdf]
Umgehung von Backdoor-Verteidigungen, die auf latenter Separierbarkeit basieren. [pdf] [Code]
Narcissus: Ein praktischer Clean-Label-Backdoor-Angriff mit begrenzten Informationen. [pdf]
CASSOCK: Praktikable Backdoor-Angriffe gegen DNNs in der Mauer quellenspezifischer Backdoor-Verteidigungen. [pdf]
Trojanisches-Pferd-Training zur Überwindung von Verteidigungen gegen Backdoor-Angriffe im Deep Learning. [pdf]
Backdoor-Angriff mit Label-Glättung. [pdf]
Unmerklicher und mehrkanaliger Backdoor-Angriff gegen tiefe neuronale Netze. [pdf]
Kompressionsresistenter Backdoor-Angriff gegen tiefe neuronale Netze. [pdf]
AdvDoor: Adversarialer Backdoor-Angriff auf Deep-Learning-Systeme. [pdf] [Code]
Invisible Poison: Ein Blackbox-Clean-Label-Backdoor-Angriff auf tiefe neuronale Netze. [pdf]
Backdoor-Angriff in der physischen Welt. [pdf] [Erweiterung]
Verteidigungsresistente Backdoor-Angriffe gegen tiefe neuronale Netze in ausgelagerten Cloud-Umgebungen. [Link]
In Gesichtsmerkmalen versteckte Backdoors: Ein neuartiger unsichtbarer Backdoor-Angriff gegen Gesichtserkennungssysteme. [link]
Einsatz von prozeduralem Rauschen zur Erzielung eines Backdoor-Angriffs. [link] [code]
Ein Multi-Ziel-Backdooring-Angriff auf tiefe neuronale Netze mit Trigger an zufälliger Position. [link]
Simtrojan: Verdeckter Backdoor-Angriff. [link]
Eine Methode zur Reduktion statistischer Unterschiede zur Umgehung der Backdoor-Erkennung. [pdf]
Backdoor-Angriff über den Frequenzbereich. [pdf]
Überprüfe deine andere Tür! Etablierung von Backdoor-Angriffen im Frequenzbereich. [pdf]
Sleeper Agent: Skalierbare Backdoors mit versteckten Triggern für von Grund auf trainierte neuronale Netze. [pdf] [code]
RABA: Ein robuster Avatar-Backdoor-Angriff auf tiefe neuronale Netze. [pdf]
Robuste Backdoor-Angriffe gegen tiefe neuronale Netze in der realen physischen Welt. [pdf]
Backdooring und Vergiftung neuronaler Netze mit Bildskalierungs-Angriffen. [pdf]
One-to-N & N-to-One: Zwei fortgeschrittene Backdoor-Angriffe gegen Deep-Learning-Modelle. [pdf]
Unsichtbare Backdoor-Angriffe auf tiefe neuronale Netze mittels Steganographie und Regularisierung. [pdf] [arXiv-Version (2019)]
HaS-Nets: Ein Heil- und Auswahlmechanismus zur Verteidigung von DNNs gegen Backdoor-Angriffe für Datenerfassungsszenarien. [pdf]
FaceHack: Auslösen von mit Backdoors versehenen Gesichtserkennungssystemen mithilfe von Gesichtsmerkmalen. [pdf]
Licht kann dein Gesicht hacken! Black-Box-Backdoor-Angriff auf Gesichtserkennungssysteme. [pdf]
TrojanNet: Einbettung versteckter Trojanisches-Pferd-Modelle in neuronale Netze. [pdf]
Backdooring von Convolutional Neural Networks mittels gezielter Gewichtsstörungen. [pdf]
BadRes: Backdoors durch Residualverbindungen aufdecken. [pdf]
Architektonische Backdoors in neuronalen Netzen. [pdf]
Pflanzen nicht nachweisbarer Backdoors in Machine-Learning-Modelle. [pdf]
Interpretierbarkeitsgeführte Verteidigung gegen Backdoor-Angriffe auf tiefe neuronale Netze. [link]
Boundary-Augment: Eine Datenanreicherungsmethode zur Verteidigung gegen Vergiftungsangriffe. [link]
Überbrückung der Moduskonnektivität in Verlustlandschaften und adversariale Robustheit. [pdf] [code]
Fine-Pruning: Verteidigung gegen Backdooring-Angriffe auf tiefe neuronale Netze. [pdf] [code]
Neuronale Trojaner. [pdf]
Testzeit-Adaption von Residualblöcken gegen Vergiftungs- und Backdoor-Angriffe. [pdf]
Deaktivierung von Backdoors und Identifizierung vergifteter Daten mittels Wissensdestillation bei Backdoor-Angriffen auf tiefe neuronale Netze. [pdf]
Verteidigung gegen Backdoor-Angriffe auf tiefe neuronale Netze. [pdf]
Verteidigung gegen Backdoor-Angriffe durch Identifizierung und Reinigung schlechter Neuronen. [pdf]
Einen Fluch in einen Segen verwandeln: Ermöglichung von Verteidigungen ohne saubere Daten durch Modellinversion. [pdf]
Adversariales Feintuning zur Backdoor-Verteidigung: Verbindung adversarialer Beispiele mit getriggerten Stichproben. [pdf]
Neural-Network-Reinigung: Entfernung von Black-Box-Backdoor-Wasserzeichen aus tiefen neuronalen Netzen. [pdf]
HaS-Nets: Ein Heil- und Auswahlmechanismus zur Verteidigung von DNNs gegen Backdoor-Angriffe für Datenerfassungsszenarien. [pdf]
AEVA: Black-Box-Erkennung von Backdoors mittels adversarieller Extremwertanalyse. [pdf] [code]
Trigger-Jagd mit topologischer Priorität zur Trojan-Erkennung. [pdf] [code]
Backdoor-Verteidigung mit maschinellem Verlernen. [pdf]
Black-Box-Erkennung von Backdoor-Angriffen mit begrenzten Informationen und Daten. [pdf]
Backdoor-Scanning für tiefe neuronale Netze durch K-Arm-Optimierung. [pdf] [code]
Zur Inspektion und Beseitigung von Trojan-Backdoors in tiefen neuronalen Netzen. [pdf] [frühere Version] [code]
GangSweep: Neuronale Backdoors per GAN ausfegen. [pdf]
Erkennung von Backdoors in trainierten Klassifikatoren ohne Zugriff auf den Trainingsdatensatz. [pdf]
Neural Cleanse: Identifizierung und Eindämmung von Backdoor-Angriffen in neuronalen Netzen. [pdf] [code]
Verteidigung gegen neuronale Backdoors durch generative Verteilungsmodellierung. [pdf] [code]
DeepInspect: Ein Black-Box-Framework zur Erkennung und Eindämmung von Trojanern in tiefen neuronalen Netzen. [pdf]
Identifizierung physisch realisierbarer Trigger für Gesichtserkennungsnetzwerke mit Backdoors. [link]
Aufdeckung wahrnehmbarer Backdoors in DNNs ohne Trainingssatz mithilfe der Statistik des maximal erreichbaren Fehlklassifikationsanteils. [pdf]
Adaptive Erzeugung von Perturbationen zur Erkennung mehrerer Backdoors. [pdf]
Konfidenz ist entscheidend: Inspektion von Backdoors in tiefen neuronalen Netzen mittels Distributionstransfer. [pdf]
Verteidigung gegen Multi-Target-Trojan-Angriffe. [pdf]
Modell-kontrastives Lernen zur Backdoor-Verteidigung. [pdf]
CatchBackdoor: Backdoor-Tests durch Identifikation kritischer Trojan-Neuronenpfade mittels differentiellem Fuzzing. [pdf]
Erkennung und Entfernung von Wasserzeichen in tiefen neuronalen Netzen mittels generativer adversarieller Netze. [pdf]
TAD: Black-Box-Erkennung von Trojanern für KI basierend auf Trigger-Approximation. [pdf]
Skalierbare Backdoor-Erkennung in neuronalen Netzen. [pdf]
NNoculation: Breitspektrum- und gezielte Behandlung von DNNs mit Backdoors. [pdf] [code]
Universelle Lackmus-Muster: Aufdeckung von Backdoor-Angriffen in CNNs. [pdf] [code]
One-Pixel-Signatur: Charakterisierung von CNN-Modellen zur Backdoor-Erkennung. [pdf]
Praktische Erkennung trojanischer neuronaler Netze: Fälle mit begrenzten Daten und ohne Daten. [pdf] [code]
Erkennung von Backdoor-Angriffen durch Klassendifferenz in tiefen neuronalen Netzen. [pdf]
Baseline-Beschneidungsansatz zur Trojan-Erkennung in neuronalen Netzen. [pdf]
Universelle Backdoor-Erkennung nach dem Training. [pdf]
Trojan-Signaturen in DNN-Gewichten. [pdf]
EX-RAY: Unterscheidung injizierter Backdoors von natürlichen Merkmalen in neuronalen Netzen durch Untersuchung der differentiellen Merkmalssymmetrie. [pdf]
TOP: Backdoor-Erkennung in neuronalen Netzen durch Übertragbarkeit von Perturbationen. [pdf]
Erkennung trojanisierter DNNs mittels kontrafaktischer Attributionen. [pdf]
Cassandra: Erkennung trojanischer Netzwerke anhand adversarieller Perturbationen. [pdf]
Odyssey: Erstellung, Analyse und Erkennung von Trojan-Modellen. [pdf] [Datensatz]
Rauschantwort-Analyse zur schnellen Erkennung von Backdoors in tiefen neuronalen Netzen. [pdf]
NeuronInspect: Erkennung von Backdoors in neuronalen Netzen durch Ausgabe-Erklärungen. [pdf]
Was dich nicht umbringt, macht dich robuster: Adversariales Training gegen Vergiftungen und Backdoors. [pdf]
Entfernung von Backdoor-basierten Wasserzeichen in neuronalen Netzen mit begrenzten Daten. [pdf]
Mask and Restore: Blinde Backdoor-Verteidigung zur Testzeit mit maskiertem Autoencoder. [pdf] [code]
Über die Wirksamkeit von adversarialem Training gegen Backdoor-Angriffe. [pdf]
Vertrauen in die Gesichtserkennung wiederherstellen: Abschwächung von Backdoor-Angriffen in der Gesichtserkennung zur Verhinderung potenzieller Datenschutzverletzungen. [pdf]
SanitAIs: Unüberwachte Datenaugmentierung zur Bereinigung trojanischer neuronaler Netze. [pdf]
Über die Wirksamkeit der Abschwächung von Datenvergiftungsangriffen mit Gradient Shaping. [pdf] [code]
DP-InstaHide: Nachweisliches Entschärfen von Vergiftungs- und Backdoor-Angriffen mit differenziell privaten Datenaugmentierungen. [pdf]
LinkBreaker: Aufbrechen der Backdoor-Trigger-Verbindung in DNNs durch einen Neuronenkonsistenzcheck. [link]
Ähnlichkeitsbasierter Integritätsschutz für Deep-Learning-Systeme. [link]
Ein merkmalbasierter Online-Erkenner zur Entfernung adversarischer Backdoors durch iterative Abgrenzung. [pdf]
Überdenken der Trigger von Backdoor-Angriffen: Eine Frequenzperspektive. [pdf] [code]
Dämon in der Variante: Statistische Analyse von DNNs zur robusten Erkennung von Backdoor-Kontaminationen. [pdf] [code]
CLEANN: Accelerated Trojan Shield for Embedded Neural Networks. [pdf]
Robust Anomaly Detection and Backdoor Attack Detection via Differential Privacy. [pdf] [code]
Simple, Attack-Agnostic Defense Against Targeted Training Set Attacks Using Cosine Similarity. [pdf] [code]
SentiNet: Detecting Localized Universal Attacks Against Deep Learning Systems. [pdf]
STRIP: A Defence Against Trojan Attacks on Deep Neural Networks. [pdf] [extension] [code]
Detecting Backdoor Attacks on Deep Neural Networks by Activation Clustering. [pdf] [code]
Deep Probabilistic Models to Detect Data Poisoning Attacks. [pdf]
Spectral Signatures in Backdoor Attacks. [pdf] [code]
An Adaptive Black-box Defense against Trojan Attacks (TrojDef). [pdf]
Fight Poison with Poison: Detecting Backdoor Poison Samples via Decoupling Benign Correlations. [pdf] [code]
PiDAn: A Coherence Optimization Approach for Backdoor Attack Detection and Mitigation in Deep Neural Networks. [pdf]
Neural Network Trojans Analysis and Mitigation from the Input Domain. [pdf]
A General Framework for Defending Against Backdoor Attacks via Influence Graph. [pdf]
NTD: Non-Transferability Enabled Backdoor Detection. [pdf]
A Unified Framework for Task-Driven Data Quality Management. [pdf]
TESDA: Transform Enabled Statistical Detection of Attacks in Deep Neural Networks. [pdf]
Traceback of Data Poisoning Attacks in Neural Networks. [pdf]
Provable Guarantees against Data Poisoning Using Self-Expansion and Compatibility. [pdf]
Online Defense of Trojaned Models using Misattributions. [pdf]
Detecting Backdoor in Deep Neural Networks via Intentional Adversarial Perturbations. [pdf]
Exposing Backdoors in Robust Machine Learning Models. [pdf]
HaS-Nets: A Heal and Select Mechanism to Defend DNNs Against Backdoor Attacks for Data Collection Scenarios. [pdf]
Poison as a Cure: Detecting & Neutralizing Variable-Sized Backdoor Attacks in Deep Neural Networks. [pdf]
BagFlip: A Certified Defense against Data Poisoning. [pdf]
Against Backdoor Attacks In Federated Learning With Differential Privacy. [link]
Secure Partial Aggregation: Making Federated Learning More Robust for Industry 4.0 Applications. [link]
Backdoor Attacks-resilient Aggregation based on Robust Filtering of Outliers in Federated Learning for Image Classification. [link]
Defense against Backdoor Attack in Federated Learning. [link] [code]
Privacy-Enhanced Federated Learning against Poisoning Adversaries. [link]
Coordinated Backdoor Attacks against Federated Learning with Model-Dependent Triggers. [link]
CRFL: Certifiably Robust Federated Learning against Backdoor Attacks. [pdf]
Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning. [pdf]
Defending Against Backdoors in Federated Learning with Robust Learning Rate. [pdf]
BaFFLe: Backdoor detection via Feedback-based Federated Learning. [pdf]
PipAttack: Poisoning Federated Recommender Systems for Manipulating Item Promotion. [pdf]
Mitigating the Backdoor Attack by Federated Filters for Industrial IoT Applications. [link]
Stability-Based Analysis and Defense against Backdoor Attacks on Edge Computing Services. [link]
Attack of the Tails: Yes, You Really Can Backdoor Federated Learning. [pdf]
DBA: Distributed Backdoor Attacks against Federated Learning. [pdf]
The Limitations of Federated Learning in Sybil Settings. [pdf] [extension] [code]
How to Backdoor Federated Learning. [pdf]
BEAS: Blockchain Enabled Asynchronous & Secure Federated Machine Learning. [pdf]
Backdoor Attacks and Defenses in Feature-partitioned Collaborative Learning. [pdf]
Can You Really Backdoor Federated Learning? [pdf]
Invariant Aggregator for Defending Federated Backdoor Attacks. [pdf]
Shielding Federated Learning: Mitigating Byzantine Attacks with Less Constraints. [pdf]
Federated Zero-Shot Learning for Visual Recognition. [pdf]
Assisting Backdoor Federated Learning with Whole Population Knowledge Alignment. [pdf]
FL-Defender: Combating Targeted Attacks in Federated Learning. [pdf]
Backdoor Attack is A Devil in Federated GAN-based Medical Image Synthesis. [pdf]
SafeNet: Mitigating Data Poisoning Attacks on Private Machine Learning. [pdf] [code]
PerDoor: Persistent Non-Uniform Backdoors in Federated Learning using Adversarial Perturbations. [pdf] [code]
Towards a Defense against Backdoor Attacks in Continual Federated Learning. [pdf]
Client-Wise Targeted Backdoor in Federated Learning. [pdf]
Backdoor Defense in Federated Learning Using Differential Testing and Outlier Detection. [pdf]
ARIBA: Towards Accurate and Robust Identification of Backdoor Attacks in Federated Learning. [pdf]
More is Better (Mostly): On the Backdoor Attacks in Federated Graph Neural Networks. [pdf]
Low-Loss Subspace Compression for Clean Gains against Multi-Agent Backdoor Attacks. [pdf]
Backdoors Stuck at The Frontdoor: Multi-Agent Backdoor Attacks That Backfire. [pdf]
Federated Unlearning with Knowledge Distillation. [pdf]
Model Transferring Attacks to Backdoor HyperNetwork in Personalized Federated Learning. [pdf]
Backdoor Attacks on Federated Learning with Lottery Ticket Hypothesis. [pdf]
On Provable Backdoor Defense in Collaborative Learning. [pdf]
SparseFed: Mitigating Model Poisoning Attacks in Federated Learning with Sparsification. [pdf]
Robust Federated Learning with Attack-Adaptive Aggregation. [pdf] [code]
Meta Federated Learning. [pdf]
FLGUARD: Secure and Private Federated Learning. [pdf]
Backdoor-Angriffe auf Föderiertes Meta-Lernen. [pdf]
Dynamische Backdoor-Angriffe gegen Föderiertes Lernen. [pdf]
Föderiertes Lernen in adversariellen Umgebungen. [pdf]
BlockFLA: Rechenschaftspflichtiges Föderiertes Lernen durch hybride Blockchain-Architektur. [pdf]
Abschwächung von Backdoor-Angriffen im Föderierten Lernen. [pdf]
Lernen, bösartige Clients für robustes Föderiertes Lernen zu erkennen. [pdf]
Angriffsresistentes Föderiertes Lernen mit residualbasierter Neugewichtung. [pdf] [code]
Roter Alarm für vortrainierte Modelle: Universelle Schwachstellen durch Backdoor-Angriffe auf Neuronenebene. [pdf] [code]
Backdoor-Erkennung im Reinforcement Learning. [pdf]
Entwurf absichtlicher Backdoors in sequenziellen Modellen. [pdf]
PICCOLO: Aufdeckung komplexer Backdoors in NLP-Transformer-Modellen. [pdf] [code]
Triggerloser Backdoor-Angriff für NLP-Aufgaben mit sauberen Labels. [pdf]
Eine Studie zur Aufmerksamkeitsanomalie in trojanisierten BERTs. [pdf] [code]
Die Trigger, die die Backdoors von NLP-Modellen öffnen, sind in den adversariellen Beispielen versteckt. [link]
BDDR: Eine wirksame Verteidigung gegen textuelle Backdoor-Angriffe. [pdf]
BadPre: Aufgabenagnostische Backdoor-Angriffe auf vortrainierte NLP-Foundation-Modelle. [pdf]
Untersuchung der universellen Schwachstelle des promptbasierten Lernparadigmas. [pdf] [code]
Backdoor-vortrainierte Modelle können auf alle übertragen werden. [pdf]
BadNL: Backdoor-Angriffe gegen NLP-Modelle mit semantikerhaltenden Verbesserungen. [pdf] [arXiv-20]
Backdoor-Angriffe auf vortrainierte Modelle durch schichtweise Gewichtsvergiftung. [pdf]
T-Miner: Ein generativer Ansatz zur Verteidigung gegen Trojaner-Angriffe auf DNN-basierte Textklassifikation. [pdf]
RAP: Robustheitsbewusste Störungen zur Verteidigung gegen Backdoor-Angriffe auf NLP-Modelle. [pdf] [code]
ONION: Eine einfache und wirksame Verteidigung gegen textuelle Backdoor-Angriffe. [pdf]
Achten Sie auf den Stil des Textes! Adversarielle und Backdoor-Angriffe auf Basis von Textstil-Transfer. [pdf] [code]
Überdenken der Unauffälligkeit von Backdoor-Angriffen gegen NLP-Modelle. [pdf] [code]
Das Kombinationsschloss öffnen: Lernbare textuelle Backdoor-Angriffe durch Wortsubstitution. [pdf]
Versteckter Killer: Unsichtbare textuelle Backdoor-Angriffe mit syntaktischem Trigger. [pdf] [code]
Abschwächung von Datenvergiftung bei der Textklassifikation mit Differential Privacy. [pdf]
BFClass: Ein Backdoor-freies Framework für Textklassifikation. [pdf] [code]
Seien Sie vorsichtig bei vergifteten Wort-Embeddings: Untersuchung der Schwachstellen der Embedding-Schichten in NLP-Modellen. [pdf] [code]
Neuronale-Netz-Chirurgie: Injizieren von Datenmustern in vortrainierte Modelle mit minimalen instanzweisen Nebenwirkungen. [pdf]
Erkennung von Text-Backdoors mithilfe eines interpretierbaren RNN-Abstraktmodells. [link]
Textueller Backdoor-Angriff für Textklassifikationssysteme. [pdf]
Gewichtsvergiftungsangriffe auf vortrainierte Modelle. [pdf] [code]
Vergiftungsangriffe gegen Textdatensätze mit konditionalem adversariell reguliertem Autoencoder. [pdf]
Ein Backdoor-Angriff gegen LSTM-basierte Textklassifikationssysteme. [pdf]
PerD: Ein auf Perturbationssensitivität basierendes Framework zur Erkennung neuronaler Trojaner in NLP-Anwendungen. [pdf]
Kallima: Ein Clean-Label-Framework für textuelle Backdoor-Angriffe. [pdf]
Textuelle Backdoor-Angriffe mit iterativer Trigger-Injektion. [pdf] [code]
WeDef: Schwach überwachte Backdoor-Verteidigung für Textklassifikation. [pdf]
Beschränkte Optimierung mit dynamischer Grenzenskalierung für eine wirksame NLP-Backdoor-Verteidigung. [pdf]
Verdeckte Backdoor-Angriffe in der Verarbeitung natürlicher Sprache überdenken. [pdf]
Textuelle Backdoor-Angriffe können durch zwei einfache Tricks schädlicher sein. [pdf]
Verdrehte Sequence-to-Sequence-Modelle mit Meta-Backdoors. [pdf]
Verteidigung gegen Backdoor-Angriffe bei der Generierung natürlicher Sprache. [pdf] [code]
Versteckte Backdoors in menschenzentrierten Sprachmodellen. [pdf]
Erkennung von Adversarial-Angriffen mit universellem Trigger mithilfe eines Honeypots. [pdf]
Trojaning Language Models for Fun and Profit. [pdf]
Stealthy Backdoor Attack Against Speaker Recognition Using Phase-Injection Hidden Trigger. [link]
Fake the Real: Backdoor Attack on Deep Speech Classification via Voice Conversion. [pdf]
Opportunistic Backdoor Attacks: Exploring Human-imperceptible Vulnerabilities on Speech Recognition Systems. [link] [code]
Audio-domain position-independent backdoor attack via unnoticeable triggers. [pdf]
Can You Hear It? Backdoor Attacks via Ultrasonic Triggers. [pdf] [code]
Natural Backdoor Attacks on Speech Recognition Models. [link]
Adversarial Audio: A New Information Hiding Method and Backdoor for DNN-based Speech Recognition Models. [pdf] [code]
DriNet: Dynamic Backdoor Attack against Automatic Speech Recognization Models. [link]
Backdoor Attack against Speaker Verification [pdf] [code]
A Novel Trojan Attack against Co-learning Based ASR DNN System. [link]
An Interpretive Perspective: Adversarial Trojaning Attack on Neural-Architecture-Search Enabled Edge AI Systems. [link]
A Triggerless Backdoor Attack and Defense Mechanism for Intelligent Task Offloading in Multi-UAV Systems. [link]
Multi-Target Invisibly Trojaned Networks for Visual Recognition and Detection. [pdf]
Hidden Backdoor Attack against Semantic Segmentation Models. [pdf]
Adversarial Targeted Forgetting in Regularization and Generative Based Continual Learning Models. [link]
Targeted Forgetting and False Memory Formation in Continual Learners through Adversarial Backdoor Attacks. [pdf]
Trojan Attacks on Wireless Signal Classification with Adversarial Machine Learning. [pdf]
BadHash: Invisible Backdoor Attacks against Deep Hashing with Clean Label. [pdf]
A Temporal Chrominance Trigger for Clean-label Backdoor Attack against Anti-spoof Rebroadcast Detection. [pdf]
MACAB: Model-Agnostic Clean-Annotation Backdoor to Object Detection with Natural Trigger in Real-World. [pdf]
BadDet: Backdoor Attacks on Object Detection. [pdf]
Backdoor Attacks on Bayesian Neural Networks using Reverse Distribution. [pdf]
Backdooring Explainable Machine Learning. [pdf]
Clean-Annotation Backdoor Attack against Lane Detection Systems in the Wild. [pdf]
Dangerous Cloaking: Natural Trigger based Backdoor Attacks on Object Detectors in the Physical World. [pdf]
Targeted Trojan-Horse Attacks on Language-based Image Retrieval. [pdf]
Multimodale Backdoors mit Dual-Key für visuelle Fragebeantwortung. [pdf]
Clean-Label-Backdoor-Angriff gegen Deep-Hashing-basiertes Retrieval. [pdf]
Backdoor-Angriffe auf die Netzwerkzertifizierung durch Datenvergiftung. [pdf]
Backdoor-Angriff und -Verteidigung für tiefe Regression. [pdf]
Der Teufel steckt im GAN: Verteidigung tiefer generativer Modelle gegen Backdoor-Angriffe. [pdf]
BAAAN: Backdoor-Angriffe auf Autoencoder- und GAN-basierte Machine-Learning-Modelle. [pdf]
DeepObliviate: Ein mächtiger Zauber zum Löschen des Residualspeichers von Daten in tiefen neuronalen Netzen. [pdf]
Backdoors in neuronalen Modellen von Quellcode. [pdf]
EEG-basierte Gehirn-Computer-Schnittstellen sind anfällig für Backdoor-Angriffe. [pdf]
Bias Busters: Robustifizierung DL-basierter Lithografie-Hotspot-Detektoren gegen Backdoor-Angriffe. [pdf]
Backdoor-Verteidigung durch Entkopplung des Trainingsprozesses. [pdf] [code]
Wie man Backdoors mit besserer Konsistenz injiziert: Logit-Ankerung auf sauberen Daten. [pdf]
Verteidigung gegen Modelldiebstahl durch Verifizierung eingebetteter externer Merkmale. [pdf] [code]
Anfälligkeit & Verteidigung von mit Satellitenbildern trainierten Faltungsnetzen gegen Backdoor-Angriffe. [link]
Dateneffiziente Backdoor-Angriffe. [pdf] [code]
Überschüssige Kapazität und Backdoor-Vergiftung.