thuyimingli/backdoor-learning-resourcesListe sélectionnée d'articles, d'études et de boîtes à outils sur l'apprentissage par porte dérobée, recensant les attaques par empoisonnement et les défenses en apprentissage profond pour les chercheurs et les professionnels de la sécurité.
Ce dépôt Github résume une liste de ressources sur le Backdoor Learning. Pour plus de détails et les critères de catégorisation, veuillez consulter notre enquête.
Nous ferons de notre mieux pour maintenir ce dépôt Github en continu, sur une base mensuelle.
Le Backdoor learning est un domaine de recherche émergent qui aborde les problèmes de sécurité du processus d'entraînement des algorithmes d'apprentissage automatique. Il est essentiel pour adopter en toute sécurité des ressources ou des modèles d'entraînement tiers dans la réalité.
Remarque : « Backdoor » est également couramment appelé « Neural Trojan » ou « Trojan ».
Si notre dépôt ou notre enquête est utile à vos recherches, veuillez citer notre article comme suit :``` @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} }
## Contribuer
<p align="center">
<img src="https://assets.kitploit.com/production/public/readmes/placeholders/f0fc86cfe65f76d40e15aaec61704ec8220a56dc89d4be03c46f67cb31b9fa8c.svg" alt="Nous avons besoin de vous !">
</p>
Merci de contribuer à cette liste en [me contactant](http://liyiming.tech) ou en ajoutant une [pull request](https://github.com/THUYimingLi/awesome-backdoor-learning/pulls)
Format Markdown :```markdown
- Paper Name.
[[pdf]](link)
[[code]](link)
- Author 1, Author 2, **and** Author 3. *Conference/Journal*, Year.
Remarque : Dans la même année, veuillez placer l'article de conférence avant l'article de revue, car les revues sont généralement soumises il y a longtemps et présentent donc un certain décalage. (c.-à-d., Conférences-->Revues-->Prépublications)
Backdoor Learning: A Survey. [pdf]
Backdoor Attacks and Countermeasures on Deep Learning: A Comprehensive Review. [pdf]
Data Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses. [pdf]
A Comprehensive Survey on Poisoning Attacks and Countermeasures in Machine Learning. [lien]
Backdoor Attacks and Defenses in Federated Learning: State-of-the-art, Taxonomy, and Future Directions. [lien]
Backdoor Attacks on Image Classification Models in Deep Neural Networks. [lien]
Defense against Neural Trojan Attacks: A Survey. [lien]
A Survey on Neural Trojans. [pdf]
Backdoor Attacks against Voice Recognition Systems: A Survey. [pdf]
A Survey of Neural Trojan Attacks and Defenses in Deep Learning. [pdf]
Threats to Pre-trained Language Models: Survey and Taxonomy. [pdf]