A Survey of Neural Trojan Attacks and Defenses in Deep Learning. [pdf]

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

Threats to Pre-trained Language Models: Survey and Taxonomy. [pdf]

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

An Overview of Backdoor Attacks Against Deep Neural Networks and Possible Defences. [pdf]

• Wei Guo, Benedetta Tondi, and Mauro Barni. arXiv, 2021.

Deep Learning Backdoors. [pdf]

• Shaofeng Li, Shiqing Ma, Minhui Xue, and Benjamin Zi Hao Zhao. arXiv, 2020.

Backdoor Attacks in Neural Networks. [link]

• Stefanos Koffas. Tesi magistrale presso Delft University of Technology, 2021.

Backdoor Defenses. [pdf]

• Andrea Milakovic. Tesi magistrale presso Technischen Universität Wien, 2021.

Geometric Properties of Backdoored Neural Networks. [pdf]

• Dominic Carrano. Tesi magistrale presso University of California at Berkeley, 2021.

Detecting Backdoored Neural Networks with Structured Adversarial Attacks. [pdf]

• Charles Yang. Tesi magistrale presso University of California at Berkeley, 2021.

Backdoor Attacks Against Deep Learning Systems in the Physical World. [pdf]

• Emily Willson. Tesi magistrale presso University of Chicago, 2020.

Stealthy Backdoor Attack with Adversarial Training. [link]

• Le Feng, Sheng Li, Zhenxing Qian, and Xinpeng Zhang. ICASSP, 2022.

Invisible and Efficient Backdoor Attacks for Compressed Deep Neural Networks. [link]

• Huy Phan, Yi Xie, Jian Liu, Yingying Chen, and Bo Yuan. ICASSP, 2022.

Dynamic Backdoors with Global Average Pooling. [pdf]

• Stefanos Koffas, Stjepan Picek, and Mauro Conti. AICAS, 2022.

Poison Ink: Robust and Invisible Backdoor Attack. [pdf]

• Jie Zhang, Dongdong Chen, Qidong Huang, Jing Liao, Weiming Zhang, Huamin Feng, Gang Hua, and Nenghai Yu. IEEE Transactions on Image Processing, 2022.

Enhancing Backdoor Attacks with Multi-Level MMD Regularization. [link]

• Pengfei Xia, Hongjing Niu, Ziqiang Li, and Bin Li. IEEE Transactions on Dependable and Secure Computing, 2022.

PTB: Robust Physical Backdoor Attacks against Deep Neural Networks in Real World. [link]

• Mingfu Xue, Can He, Yinghao Wu, Shichang Sun, Yushu Zhang, Jian Wang, and Weiqiang Liu. Computers & Security, 2022.

IBAttack: Being Cautious about Data Labels. [link]

• Akshay Agarwal, Richa Singh, Mayank Vatsa, and Nalini Ratha. IEEE Transactions on Artificial Intelligence, 2022.

BlindNet Backdoor: Attack on Deep Neural Network using Blind Watermark. [link]

• Hyun Kwon and Yongchul Kim. Multimedia Tools and Applications, 2022.

Natural Backdoor Attacks on Deep Neural Networks via Raindrops. [link]

• Feng Zhao, Li Zhou, Qi Zhong, Rushi Lan, and Leo Yu Zhang. Security and Communication Networks, 2022.

Dispersed Pixel Perturbation-based Imperceptible Backdoor Trigger for Image Classifier Models. [pdf]

• Yulong Wang, Minghui Zhao, Shenghong Li, Xin Yuan, and Wei Ni. arXiv, 2022.

FRIB: Low-poisoning Rate Invisible Backdoor Attack based on Feature Repair. [pdf]

• Hui Xia, Xiugui Yang, Xiangyun Qian, and Rui Zhang. arXiv, 2022.

Augmentation Backdoors. [pdf] [code]

• Joseph Rance, Yiren Zhao, Ilia Shumailov, and Robert Mullins. arXiv, 2022.

Just Rotate it: Deploying Backdoor Attacks via Rotation Transformation. [pdf]

• Tong Wu, Tianhao Wang, Vikash Sehwag, Saeed Mahloujifar, and Prateek Mittal. arXiv, 2022.

Natural Backdoor Datasets. [pdf]

• Emily Wenger, Roma Bhattacharjee, Arjun Nitin Bhagoji, Josephine Passananti, Emilio Andere, Haitao Zheng, and Ben Y. Zhao. arXiv, 2022.

Enhancing Clean Label Backdoor Attack with Two-phase Specific Triggers. [pdf]

• Nan Luo, Yuanzhang Li, Yajie Wang, Shangbo Wu, Yu-an Tan, and Quanxin Zhang. arXiv, 2022.

Circumventing Backdoor Defenses That Are Based on Latent Separability. [pdf] [code]

• Xiangyu Qi, Tinghao Xie, Saeed Mahloujifar, and Prateek Mittal. arXiv, 2022.

Narcissus: A Practical Clean-Label Backdoor Attack with Limited Information. [pdf]

• Yi Zeng, Minzhou Pan, Hoang Anh Just, Lingjuan Lyu, Meikang Qiu, and Ruoxi Jia. arXiv, 2022.

CASSOCK: Viable Backdoor Attacks against DNN in The Wall of Source-Specific Backdoor Defences. [pdf]

• Shang Wang, Yansong Gao, Anmin Fu, Zhi Zhang, Yuqing Zhang, and Willy Susilo. arXiv, 2022.

Trojan Horse Training for Breaking Defenses against Backdoor Attacks in Deep Learning. [pdf]

• Arezoo Rajabi, Bhaskar Ramasubramanian, and Radha Poovendran. arXiv, 2022.

Label-Smoothed Backdoor Attack. [pdf]

• Minlong Peng, Zidi Xiong, Mingming Sun, and Ping Li. arXiv, 2022.

Imperceptible and Multi-channel Backdoor Attack against Deep Neural Networks. [pdf]

• Mingfu Xue, Shifeng Ni, Yinghao Wu, Yushu Zhang, Jian Wang, and Weiqiang Liu. arXiv, 2022.

Compression-Resistant Backdoor Attack against Deep Neural Networks. [pdf]

• Mingfu Xue, Xin Wang, Shichang Sun, Yushu Zhang, Jian Wang, and Weiqiang Liu. arXiv, 2022.

AdvDoor: Adversarial Backdoor Attack of Deep Learning System. [pdf] [code]

• Quan Zhang, Yifeng Ding, Yongqiang Tian, Jianmin Guo, Min Yuan, and Yu Jiang. ISSTA, 2021.

Invisible Poison: A Blackbox Clean Label Backdoor Attack to Deep Neural Networks. [pdf]

• Rui Ning, Jiang Li, ChunSheng Xin, and Hongyi Wu. INFOCOM, 2021.

Backdoor Attack in the Physical World. [pdf] [extension]

• Yiming Li, Tongqing Zhai, Yong Jiang, Zhifeng Li, and Shu-Tao Xia. ICLR Workshop, 2021.

Defense-Resistant Backdoor Attacks against Deep Neural Networks in Outsourced Cloud Environment. [Link]

• Xueluan Gong, Yanjiao Chen, Qian Wang, Huayang Huang, Lingshuo Meng, Chao Shen, and Qian Zhang. IEEE Journal on Selected Areas in Communications, 2021.- Una backdoor master key per l'attacco di impersonificazione universale contro la verifica facciale basata su DNN. [link]
• WeiGuo, Benedetta Tondi e Mauro Barni. Pattern Recognition Letters, 2021.

Backdoor nascoste nelle caratteristiche facciali: un nuovo attacco backdoor invisibile contro i sistemi di riconoscimento facciale. [link]

• Mingfu Xue, Can He, Jian Wang e Weiqiang Liu. Peer-to-Peer Networking and Applications, 2021.

Uso del rumore procedurale per realizzare un attacco backdoor. [link] [code]

• Xuan Chen, Yuena Ma e Shiwei Lu. IEEE Access, 2021.

Un attacco backdoor multi-target su reti neurali profonde con trigger a posizione casuale. [link]

• Xiao Yu, Cong Liu, Mingwen Zheng, Yajie Wang, Xinrui Liu, Shuxiao Song, Yuexuan Ma e Jun Zheng. International Journal of Intelligent Systems, 2021.

Simtrojan: attacco backdoor furtivo. [link]

• Yankun Ren, Longfei Li e Jun Zhou. ICIP, 2021.

Un metodo di riduzione della differenza statistica per sfuggire alla rilevazione delle backdoor. [pdf]

• Pengfei Xia, Hongjing Niu, Ziqiang Li e Bin Li. arXiv, 2021.

Attacco backdoor tramite dominio delle frequenze. [pdf]

• Tong Wang, Yuan Yao, Feng Xu, Shengwei An e Ting Wang. arXiv, 2021.

Controlla l'altra porta! Stabilire attacchi backdoor nel dominio delle frequenze. [pdf]

• Hasan Abed Al Kader Hammoud e Bernard Ghanem. arXiv, 2021.

Sleeper Agent: backdoor con trigger nascosti e scalabili per reti neurali addestrate da zero. [pdf] [code]

• Hossein Souri, Micah Goldblum, Liam Fowl, Rama Chellappa e Tom Goldstein. arXiv, 2021.

RABA: un robusto attacco backdoor avatar su reti neurali profonde. [pdf]

• Ying He, Zhili Shen, Chang Xia, Jingyu Hua, Wei Tong e Sheng Zhong. arXiv, 2021.

Attacchi backdoor robusti contro le reti neurali profonde nel mondo fisico reale. [pdf]

• Mingfu Xue, Can He, Shichang Sun, Jian Wang e Weiqiang Liu. arXiv, 2021.

Iniezione di backdoor e avvelenamento di reti neurali tramite attacchi di image scaling. [pdf]

• Erwin Quiring e Konrad Rieck. IEEE S&P Workshop, 2020.

One-to-N e N-to-One: due attacchi backdoor avanzati contro modelli di deep learning. [pdf]

• Mingfu Xue, Can He, Jian Wang e Weiqiang Liu. IEEE Transactions on Dependable and Secure Computing, 2020.

Attacchi backdoor invisibili su reti neurali profonde tramite steganografia e regolarizzazione. [pdf] [arXiv Version (2019)]

• Shaofeng Li, Minhui Xue, Benjamin Zi Hao Zhao, Haojin Zhu e Xinpeng Zhang. IEEE Transactions on Dependable and Secure Computing, 2020.

HaS-Nets: un meccanismo di guarigione e selezione per difendere le DNN dagli attacchi backdoor in scenari di raccolta dati. [pdf]

• Hassan Ali, Surya Nepal, Salil S. Kanhere e Sanjay Jha. arXiv, 2020.

FaceHack: attivazione di sistemi di riconoscimento facciale backdoorati tramite caratteristiche facciali. [pdf]

• Esha Sarkar, Hadjer Benkraouda e Michail Maniatakos. arXiv, 2020.

La luce può hackerare il tuo volto! Attacco backdoor black-box sui sistemi di riconoscimento facciale. [pdf]

• Haoliang Li, Yufei Wang, Xiaofei Xie, Yang Liu, Shiqi Wang, Renjie Wan, Lap-Pui Chau e Alex C. Kot. arXiv, 2020.

TrojanNet: incorporare modelli trojan nascosti in reti neurali. [pdf]

• Chuan Guo, Ruihan Wu e Kilian Q. Weinberger. arXiv, 2020.

Iniezione di backdoor in reti neurali convoluzionali tramite perturbazioni mirate dei pesi. [pdf]

• Jacob Dumford e Walter Scheirer. arXiv, 2018.

Backdoor architetturali nelle reti neurali. [pdf]

• Mikel Bober-Irizar, Ilia Shumailov, Yiren Zhao, Robert Mullins e Nicolas Papernot. arXiv, 2022.

Inserire backdoor non rilevabili nei modelli di machine learning. [pdf]

• Shafi Goldwasser, Michael P. Kim, Vinod Vaikuntanathan e Or Zamir. arXiv, 2022.

Difesa guidata dall'interpretabilità contro gli attacchi backdoor alle reti neurali profonde. [link]

• Wei Jiang, Xiangyu Wen, Jinyu Zhan, Xupeng Wang e Ziwei Song. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 2021.

Boundary augment: un metodo di data augmentation per difendersi dagli attacchi poison. [link]

• Xuan Chen, Yuena Ma, Shiwei Lu e Yu Yao. IET Image Processing, 2021.

Colmare la connettività tra modalità nei paesaggi di loss e robustezza avversaria. [pdf] [code]

• Pu Zhao, Pin-Yu Chen, Payel Das, Karthikeyan Natesan Ramamurthy e Xue Lin. ICLR, 2020.

Fine-Pruning: difendersi dagli attacchi di backdooring sulle reti neurali profonde. [pdf] [code]

• Kang Liu, Brendan Dolan-Gavitt e Siddharth Garg. RAID, 2018.

Trojan neurali. [pdf]

• Yuntao Liu, Yang Xie e Ankur Srivastava. ICCD, 2017.

Adattamento al test-time dei blocchi residui contro attacchi di poisoning e backdoor. [pdf]

• Arnav Gudibande, Xinyun Chen, Yang Bai, Jason Xiong e Dawn Song. CVPR Workshop, 2022.

Disabilitare le backdoor e identificare i dati poison utilizzando la knowledge distillation negli attacchi backdoor su reti neurali profonde. [pdf]

• Kota Yoshida e Takeshi Fujino. CCS Workshop, 2020.

Difendersi dagli attacchi backdoor sulle reti neurali profonde. [pdf]

• Hao Cheng, Kaidi Xu, Sijia Liu, Pin-Yu Chen, Pu Zhao e Xue Lin. KDD Workshop, 2019.

Difesa dagli attacchi backdoor tramite identificazione e purificazione dei neuroni dannosi. [pdf]

• Mingyuan Fan, Yang Liu, Cen Chen, Ximeng Liu e Wenzhong Guo. arXiv, 2022.

Trasformare una maledizione in una benedizione: abilitare difese senza dati puliti tramite model inversion. [pdf]

• Si Chen, Yi Zeng, Won Park e Ruoxi Jia. arXiv, 2022.

Fine-tuning avversario per la difesa dalle backdoor: collegare gli esempi avversari ai campioni attivati da trigger. [pdf]

• Bingxu Mu, Le Wang e Zhenxing Niu. arXiv, 2022.

Riciclaggio delle reti neurali: rimuovere i watermark backdoor black-box dalle reti neurali profonde. [pdf]

• William Aiken, Hyoungshick Kim e Simon Woo. arXiv, 2020.

HaS-Nets: un meccanismo di guarigione e selezione per difendere le DNN dagli attacchi backdoor in scenari di raccolta dati. [pdf]

• Hassan Ali, Surya Nepal, Salil S. Kanhere e Sanjay Jha. arXiv, 2020.

AEVA: rilevamento black-box di backdoor tramite analisi avversaria dei valori estremi. [pdf] [codice]

• Junfeng Guo, Ang Li, e Cong Liu. ICLR, 2022.

Caccia al trigger con prior topologico per il rilevamento di Trojan. [pdf] [codice]

• Xiaoling Hu, Xiao Lin, Michael Cogswell, Yi Yao, Susmit Jha, e Chao Chen. ICLR, 2022.

Difesa dalle backdoor con machine unlearning. [pdf]

• Yang Liu, Mingyuan Fan, Cen Chen, Ximeng Liu, Zhuo Ma, Li Wang, e Jianfeng Ma. INFOCOM, 2022.

Rilevamento black-box degli attacchi backdoor con informazioni e dati limitati. [pdf]

• Yinpeng Dong, Xiao Yang, Zhijie Deng, Tianyu Pang, Zihao Xiao, Hang Su, e Jun Zhu. ICCV, 2021.

Scansione delle backdoor per reti neurali profonde tramite ottimizzazione K-Arm. [pdf] [codice]

• Guangyu Shen, Yingqi Liu, Guanhong Tao, Shengwei An, Qiuling Xu, Siyuan Cheng, Shiqing Ma, e Xiangyu Zhang. ICML, 2021.

Verso l'ispezione e l'eliminazione delle backdoor trojan nelle reti neurali profonde. [pdf] [versione precedente] [codice]

• Wenbo Guo, Lun Wang, Xinyu Xing, Min Du, e Dawn Song. ICDM, 2020.

GangSweep: spazzare via le backdoor neurali con le GAN. [pdf]

• Liuwan Zhu, Rui Ning, Cong Wang, Chunsheng Xin, e Hongyi Wu. ACM MM, 2020.

Rilevamento di backdoor in classificatori addestrati senza accesso al set di addestramento. [pdf]

• Z Xiang, DJ Miller, e G Kesidis. IEEE Transactions on Neural Networks and Learning Systems, 2020.

Neural Cleanse: identificare e mitigare gli attacchi backdoor nelle reti neurali. [pdf] [codice]

• Bolun Wang, Yuanshun Yao, Shawn Shan, Huiying Li, Bimal Viswanath, Haitao Zheng, Ben Y. Zhao. IEEE S&P, 2019.

Difendere le backdoor neurali tramite la modellazione generativa delle distribuzioni. [pdf] [codice]

• Ximing Qiao, Yukun Yang, e Hai Li. NeurIPS, 2019.

DeepInspect: un framework black-box per il rilevamento e la mitigazione di Trojan nelle reti neurali profonde. [pdf]

• Huili Chen, Cheng Fu, Jishen Zhao, e Farinaz Koushanfar. IJCAI, 2019.

Identificazione di trigger fisicamente realizzabili per reti di riconoscimento facciale con backdoor. [link]

• Ankita Raj, Ambar Pal, e Chetan Arora. ICIP, 2021.

Rivelare backdoor percettibili nelle DNN senza il set di addestramento tramite la statistica della frazione massima ottenibile di errori di classificazione. [pdf]

• Zhen Xiang, David J. Miller, Hang Wang, e George Kesidis. MLSP, 2020.

Generazione adattiva di perturbazioni per il rilevamento di backdoor multiple. [pdf]

• Yuhang Wang, Huafeng Shi, Rui Min, Ruijia Wu, Siyuan Liang, Yichao Wu, Ding Liang, e Aishan Liu. arXiv, 2022.

La confidenza conta: ispezionare le backdoor nelle reti neurali profonde tramite il trasferimento di distribuzione. [pdf]

• Tong Wang, Yuan Yao, Feng Xu, Miao Xu, Shengwei An, e Ting Wang. arXiv, 2022.

Difesa contro attacchi trojan multi-target. [pdf]

• Haripriya Harikumar, Santu Rana, Kien Do, Sunil Gupta, Wei Zong, Willy Susilo, e Svetha Venkastesh. arXiv, 2022.

Apprendimento contrastivo del modello per la difesa dalle backdoor. [pdf]

• Zhihao Yue, Jun Xia, Zhiwei Ling, Ting Wang, Xian Wei, e Mingsong Chen. arXiv, 2022.

CatchBackdoor: test delle backdoor tramite identificazione critica dei percorsi neurali trojan mediante fuzzing differenziale. [pdf]

• Haibo Jin, Ruoxi Chen, Jinyin Chen, Yao Cheng, Chong Fu, Ting Wang, Yue Yu, e Zhaoyan Ming. arXiv, 2021.

Rilevare e rimuovere i watermark nelle reti neurali profonde tramite reti generative avversarie. [pdf]

• Haoqi Wang, Mingfu Xue, Shichang Sun, Yushu Zhang, Jian Wang, e Weiqiang Liu. arXiv, 2021.

TAD: rilevamento black-box di Trojan per l'IA basato sull'approssimazione del trigger. [pdf]

• Xinqiao Zhang, Huili Chen, e Farinaz Koushanfar. arXiv, 2021.

Rilevamento scalabile di backdoor nelle reti neurali. [pdf]

• Haripriya Harikumar, Vuong Le, Santu Rana, Sourangshu Bhattacharya, Sunil Gupta, e Svetha Venkatesh. arXiv, 2020.

NNoculation: trattamento ad ampio spettro e mirato di DNN con backdoor. [pdf] [codice]

• Akshaj Kumar Veldanda, Kang Liu, Benjamin Tan, Prashanth Krishnamurthy, Farshad Khorrami, Ramesh Karri, Brendan Dolan-Gavitt, e Siddharth Garg. arXiv, 2020.

Universal Litmus Patterns: rivelare gli attacchi backdoor nelle CNN. [pdf] [codice]

• Soheil Kolouri, Aniruddha Saha, Hamed Pirsiavash, e Heiko Hoffmann. CVPR, 2020.

Firma a un pixel: caratterizzazione dei modelli CNN per il rilevamento di backdoor. [pdf]

• Shanjiaoyang Huang, Weiqi Peng, Zhiwei Jia, e Zhuowen Tu. ECCV, 2020.

Rilevamento pratico di reti neurali trojan: casi con dati limitati e senza dati. [pdf] [codice]

• Ren Wang, Gaoyuan Zhang, Sijia Liu, Pin-Yu Chen, Jinjun Xiong, e Meng Wang. ECCV, 2020.

Rilevamento di attacchi backdoor tramite differenza di classe nelle reti neurali profonde. [pdf]

• Hyun Kwon. IEEE Access, 2020.

Approccio basato sul pruning baseline per il rilevamento di trojan nelle reti neurali. [pdf]

• Peter Bajcsy e Michael Majurski. ICLR Workshop, 2021.

Rilevamento universale post-addestramento di backdoor. [pdf]

• Hang Wang, Zhen Xiang, David J. Miller, e George Kesidis. arXiv, 2022.

Firme trojan nei pesi delle DNN. [pdf]

• Greg Fields, Mohammad Samragh, Mojan Javaheripi, Farinaz Koushanfar, e Tara Javidi. arXiv, 2021.

EX-RAY: distinguere le backdoor iniettate dalle feature naturali nelle reti neurali esaminando la simmetria differenziale delle feature. [pdf]

• Yingqi Liu, Guangyu Shen, Guanhong Tao, Zhenting Wang, Shiqing Ma, e Xiangyu Zhang. arXiv, 2021.

TOP: rilevamento di backdoor nelle reti neurali tramite trasferibilità della perturbazione. [pdf]

• Todd Huster e Emmanuel Ekwedike. arXiv, 2021.

Rilevare DNN trojanizzate tramite attribuzioni controfattuali. [pdf]

• Karan Sikka, Indranil Sur, Susmit Jha, Anirban Roy, e Ajay Divakaran. arXiv, 2021.

Anche gli esempi avversari sono utili! [pdf] [codice]

• XBorji A. arXiv, 2020.

Cassandra: rilevare reti trojanizzate da perturbazioni avversarie. [pdf]

• Xiaoyu Zhang, Ajmal Mian, Rohit Gupta, Nazanin Rahnavard, e Mubarak Shah. arXiv, 2020.

Odyssey: creazione, analisi e rilevamento di modelli trojan. [pdf] [dataset]

• Marzieh Edraki, Nazmul Karim, Nazanin Rahnavard, Ajmal Mian, e Mubarak Shah. arXiv, 2020.

Analisi della risposta al rumore per il rilevamento rapido di backdoor nelle reti neurali profonde. [pdf]

• N. Benjamin Erichson, Dane Taylor, Qixuan Wu, e Michael W. Mahoney. arXiv, 2020.

NeuronInspect: rilevare backdoor nelle reti neurali tramite spiegazioni di output. [pdf]

• Xijie Huang, Moustafa Alzantot, e Mani Srivastava. arXiv, 2019.

Ciò che non ti uccide ti rende più robusto: addestramento avversario contro veleni e backdoor. [pdf]

• Jonas Geiping, Liam Fowl, Gowthami Somepalli, Micah Goldblum, Michael Moeller, e Tom Goldstein. ICLR Workshop, 2021.

Rimozione di watermark basati su backdoor nelle reti neurali con dati limitati. [pdf]

• Xuankai Liu, Fengting Li, Bihan Wen, e Qi Li. ICPR, 2021.

Mask and Restore: difesa backdoor cieca al momento del test con autoencoder mascherato. [pdf] [codice]

• Tao Sun, Lu Pang, Chao Chen, e Haibin Ling. arXiv, 2023.

Sull'efficacia dell'addestramento avversario contro gli attacchi backdoor. [pdf]

• Yinghua Gao, Dongxian Wu, Jingfeng Zhang, Guanhao Gan, Shu-Tao Xia, Gang Niu, e Masashi Sugiyama. arXiv, 2022.

Ridare fiducia al riconoscimento facciale: mitigare gli attacchi backdoor nel riconoscimento facciale per prevenire potenziali violazioni della privacy. [pdf]

• Reena Zelenkova, Jack Swallow, M. A. P. Chamikara, Dongxi Liu, Mohan Baruwal Chhetri, Seyit Camtepe, Marthie Grobler, e Mahathir Almashor. arXiv, 2022.

SanitAIs: data augmentation non supervisionata per sanificare le reti neurali trojanizzate. [pdf]

• Kiran Karra e Chace Ashcraft. arXiv, 2021.

Sull'efficacia della mitigazione degli attacchi di avvelenamento dei dati con il gradient shaping. [pdf] [codice]

• Sanghyun Hong, Varun Chandrasekaran, Yiğitcan Kaya, Tudor Dumitraş, e Nicolas Papernot. arXiv, 2020.

DP-InstaHide: disinnescare in modo dimostrabile gli attacchi di avvelenamento e backdoor con data augmentation a privacy differenziale. [pdf]

• Eitan Borgnia, Jonas Geiping, Valeriia Cherepanova, Liam Fowl, Arjun Gupta, Amin Ghiasi, Furong Huang, Micah Goldblum, e Tom Goldstein. arXiv, 2021.

LinkBreaker: spezzare il legame backdoor-trigger nelle DNN tramite il controllo di coerenza dei neuroni. [link]

• Zhenzhu Chen, Shang Wang, Anmin Fu, Yansong Gao, Shui Yu, e Robert H. Deng. IEEE Transactions on Information Forensics and Security, 2022.

Protezione dell'integrità basata sulla similarità per sistemi di deep learning. [link]

• Ruitao Hou, Shan Ai, Qi Chen, Hongyang Yan, Teng Huang, e Kongyang Chen. Information Sciences, 2022.

Un rilevatore on-line basato su feature per rimuovere le backdoor avversarie tramite demarcazione iterativa. [pdf]

• Hao Fu, Akshaj Kumar Veldanda, Prashanth Krishnamurthy, Siddharth Garg, e Farshad Khorrami. IEEE ACCESS, 2022.

Ripensare i trigger degli attacchi backdoor: una prospettiva di frequenza. [pdf] [codice]

• Yi Zeng, Won Park, Z. Morley Mao, e Ruoxi Jia. ICCV, 2021.

Il demone nella variante: analisi statistica delle DNN per un robusto rilevamento della contaminazione backdoor. [pdf] [codice]

• Di Tang, XiaoFeng Wang, Haixu Tang, e Kehuan Zhang. USENIX Security, 2021.- SPECTRE: Difesa contro gli Attacchi Backdoor mediante Statistiche Robuste. [pdf] [code]
• Jonathan Hayase, Weihao Kong, Raghav Somani, e Sewoong Oh. ICML, 2021.

CLEANN: Scudo Trojan Accelerato per Reti Neurali Integrate. [pdf]

• Mojan Javaheripi, Mohammad Samragh, Gregory Fields, Tara Javidi, e Farinaz Koushanfar. ICCAD, 2020.

Rilevamento Robusto di Anomalie e Rilevamento di Attacchi Backdoor tramite Privacy Differenziale. [pdf] [code]

• Min Du, Ruoxi Jia, e Dawn Song. ICLR, 2020.

Difesa Semplice e Agnostica agli Attacchi contro gli Attacchi Mirati ai Set di Addestramento tramite Similarità del Coseno. [pdf] [code]

• Zayd Hammoudeh e Daniel Lowd. ICML Workshop, 2021.

SentiNet: Rilevamento di Attacchi Universali Localizzati contro i Sistemi di Deep Learning. [pdf]

• Edward Chou, Florian Tramèr, e Giancarlo Pellegrino. IEEE S&P Workshop, 2020.

STRIP: Una Difesa contro gli Attacchi Trojan sulle Reti Neurali Profonde. [pdf] [extension] [code]

• Yansong Gao, Chang Xu, Derui Wang, Shiping Chen, Damith C. Ranasinghe, e Surya Nepal. ACSAC, 2019.

Rilevamento di Attacchi Backdoor sulle Reti Neurali Profonde tramite Clustering delle Attivazioni. [pdf] [code]

• Bryant Chen, Wilka Carvalho, Nathalie Baracaldo, Heiko Ludwig, Benjamin Edwards, Taesung Lee, Ian Molloy, e Biplav Srivastava. AAAI Workshop, 2019.

Modelli Probabilistici Profondi per Rilevare Attacchi di Avvelenamento dei Dati. [pdf]

• Mahesh Subedar, Nilesh Ahuja, Ranganath Krishnan, Ibrahima J. Ndiour, e Omesh Tickoo. NeurIPS Workshop, 2019.

Firme Spettrali negli Attacchi Backdoor. [pdf] [code]

• Brandon Tran, Jerry Li, e Aleksander Madry. NeurIPS, 2018.

Una Difesa Adattiva Black-box contro gli Attacchi Trojan (TrojDef). [pdf]

• Guanxiong Liu, Abdallah Khreishah, Fatima Sharadgah, e Issa Khalil. arXiv, 2022.

Combattere il Veleno con il Veleno: Rilevamento dei Campioni Backdoor Avvelenati tramite Disaccoppiamento delle Correlazioni Benigne. [pdf] [code]

• Xiangyu Qi, Tinghao Xie, Saeed Mahloujifar, e Prateek Mittal. arXiv, 2022.

PiDAn: Un Approccio di Ottimizzazione della Coerenza per il Rilevamento e la Mitigazione degli Attacchi Backdoor nelle Reti Neurali Profonde. [pdf]

• Yue Wang, Wenqing Li, Esha Sarkar, Muhammad Shafique, Michail Maniatakos, e Saif Eddin Jabari. arXiv, 2022.

Analisi e Mitigazione dei Trojan nelle Reti Neurali dal Dominio di Input. [pdf]

• Zhenting Wang, Hailun Ding, Juan Zhai, e Shiqing Ma. arXiv, 2022.

Un Framework Generale per la Difesa contro gli Attacchi Backdoor tramite Grafi di Influenza. [pdf]

• Xiaofei Sun, Jiwei Li, Xiaoya Li, Ziyao Wang, Tianwei Zhang, Han Qiu, Fei Wu, e Chun Fan. arXiv, 2021.

NTD: Rilevamento Backdoor abilitato dalla Non-Trasferibilità. [pdf]

• Yinshan Li, Hua Ma, Zhi Zhang, Yansong Gao, Alsharif Abuadbba, Anmin Fu, Yifeng Zheng, Said F. Al-Sarawi, e Derek Abbott. arXiv, 2021.

Un Framework Unificato per la Gestione della Qualità dei Dati Orientata ai Compiti. [pdf]

• Tianhao Wang, Yi Zeng, Ming Jin, e Ruoxi Jia. arXiv, 2021.

TESDA: Rilevamento Statistico di Attacchi nelle Reti Neurali Profonde tramite Trasformazioni. [pdf]

• Chandramouli Amarnath, Aishwarya H. Balwani, Kwondo Ma, e Abhijit Chatterjee. arXiv, 2021.

Rintracciamento degli Attacchi di Avvelenamento dei Dati nelle Reti Neurali. [pdf]

• Shawn Shan, Arjun Nitin Bhagoji, Haitao Zheng, e Ben Y. Zhao. arXiv, 2021.

Garanzie Dimostrabili contro l'Avvelenamento dei Dati tramite Auto-Espansione e Compatibilità. [pdf]

• Charles Jin, Melinda Sun, e Martin Rinard. arXiv, 2021.

Difesa Online di Modelli Trojanizzati tramite Errate Attribuzioni. [pdf]

• Panagiota Kiourti, Wenchao Li, Anirban Roy, Karan Sikka, e Susmit Jha. arXiv, 2021.

Rilevamento di Backdoor nelle Reti Neurali Profonde tramite Perturbazioni Avversarie Intenzionali. [pdf]

• Mingfu Xue, Yinghao Wu, Zhiyu Wu, Jian Wang, Yushu Zhang, e Weiqiang Liu. arXiv, 2021.

Esporre le Backdoor nei Modelli di Machine Learning Robusti. [pdf]

• Ezekiel Soremekun, Sakshi Udeshi, e Sudipta Chattopadhyay. arXiv, 2020.

HaS-Nets: Un Meccanismo di Cura e Selezione per Difendere le DNN dagli Attacchi Backdoor negli Scenari di Raccolta Dati. [pdf]

• Hassan Ali, Surya Nepal, Salil S. Kanhere, e Sanjay Jha. arXiv, 2020.

Il Veleno come Cura: Rilevare e Neutralizzare Attacchi Backdoor di Dimensioni Variabili nelle Reti Neurali Profonde. [pdf]

• Alvin Chan, e Yew-Soon Ong. arXiv, 2019.

BagFlip: Una Difesa Certificata contro l'Avvelenamento dei Dati. [pdf]

• Yuhao Zhang, Aws Albarghouthi, e Loris D'Antoni. arXiv, 2022.

Un'Analisi dei Meccanismi di Aggregazione Tolleranti ai Bizantini sull'Avvelenamento del Modello nell'Apprendimento Federato. [link]

• Mary Roszel, Robert Norvill, e Radu State. MDAI, 2022.

Contro gli Attacchi Backdoor nell'Apprendimento Federato con Privacy Differenziale. [link]

• Lu Miao, Wei Yang, Rong Hu, Lu Li, e Liusheng Huang. ICASSP, 2022.

Aggregazione Parziale Sicura: Rendere l'Apprendimento Federato più Robusto per le Applicazioni Industry 4.0. [link]

• Jiqiang Gao, Baolei Zhang, Xiaojie Guo, Thar Baker, Min Li, e Zheli Liu. IEEE Transactions on Industrial Informatics, 2022.

Aggregazione Resiliente agli Attacchi Backdoor basata sul Filtraggio Robusto degli Outlier nell'Apprendimento Federato per la Classificazione delle Immagini. [link]

• Nuria Rodríguez-Barroso, Eugenio Martínez-Cámara, M. Victoria Luzónb, e Francisco Herrera. Knowledge-Based Systems, 2022.

Difesa contro l'Attacco Backdoor nell'Apprendimento Federato. [link] [code]

• Shiwei Lu, Ruihu Li, Wenbin Liu, e Xuan Chen. Computers & Security, 2022.

Apprendimento Federato con Privacy Rafforzata contro gli Avversari dell'Avvelenamento. [link]

• Xiaoyuan Liu, Hongwei Li, Guowen Xu, Zongqi Chen, Xiaoming Huang, e Rongxing Lu. IEEE Transactions on Information Forensics and Security, 2021.

Attacchi Backdoor Coordinati contro l'Apprendimento Federato con Trigger Dipendenti dal Modello. [link]

• Xueluan Gong, Yanjiao Chen, Huayang Huang, Yuqing Liao, Shuai Wang, e Qian Wang. IEEE Network, 2022.

CRFL: Apprendimento Federato Certificabilmente Robusto contro gli Attacchi Backdoor. [pdf]

• Chulin Xie, Minghao Chen, Pin-Yu Chen, e Bo Li. ICML, 2021.

Maledizione o Redenzione? Come l'Eterogeneità dei Dati Influenza la Robustezza dell'Apprendimento Federato. [pdf]

• Syed Zawad, Ahsan Ali, Pin-Yu Chen, Ali Anwar, Yi Zhou, Nathalie Baracaldo, Yuan Tian, e Feng Yan. AAAI, 2021.

Difendersi dalle Backdoor nell'Apprendimento Federato con un Tasso di Apprendimento Robusto. [pdf]

• Mustafa Safa Ozdayi, Murat Kantarcioglu, e Yulia R. Gel. AAAI, 2021.

BaFFLe: Rilevamento di Backdoor tramite Apprendimento Federato basato sul Feedback. [pdf]

• ebastien Andreina, Giorgia Azzurra Marson, Helen Möllering, e Ghassan Karame. ICDCS, 2021.

PipAttack: Avvelenare i Sistemi di Raccomandazione Federati per Manipolare la Promozione degli Articoli. [pdf]

• Shijie Zhang, Hongzhi Yin, Tong Chen, Zi Huang, Quoc Viet Hung Nguyen, e Lizhen Cui. WSDM, 2021.

Mitigare l'Attacco Backdoor tramite Filtri Federati per le Applicazioni IoT Industriali. [link]

• Boyu Hou, Jiqiang Gao, Xiaojie Guo, Thar Baker, Ying Zhang, Yanlong Wen, e Zheli Liu. IEEE Transactions on Industrial Informatics, 2021.

Analisi e Difesa basate sulla Stabilità contro gli Attacchi Backdoor sui Servizi di Edge Computing. [link]

• Yi Zhao, Ke Xu, Haiyang Wang, Bo Li, e Ruoxi Jia. IEEE Network, 2021.

L'Attacco delle Code: Sì, Puoi Davvero Iniettare Backdoor nell'Apprendimento Federato. [pdf]

• Hongyi Wang, Kartik Sreenivasan, Shashank Rajput, Harit Vishwakarma, Saurabh Agarwal, Jy-yong Sohn, Kangwook Lee, e Dimitris Papailiopoulos. NeurIPS, 2020.

DBA: Attacchi Backdoor Distribuiti contro l'Apprendimento Federato. [pdf]

• Chulin Xie, Keli Huang, Pinyu Chen, e Bo Li. ICLR, 2020.

I Limiti dell'Apprendimento Federato negli Ambienti Sybil. [pdf] [extension] [code]

• Clement Fung, Chris J.M. Yoon, e Ivan Beschastnikh. RAID, 2020 (arXiv, 2018).

Come Iniettare Backdoor nell'Apprendimento Federato. [pdf]

• Eugene Bagdasaryan, Andreas Veit, Yiqing Hua, Deborah Estrin, e Vitaly Shmatikov. AISTATS, 2020 (arXiv, 2018).

BEAS: Apprendimento Automatico Federato Asincrono e Sicuro abilitato dalla Blockchain. [pdf]

• Arup Mondal, Harpreet Virk, e Debayan Gupta. AAAI Workshop, 2022.

Attacchi Backdoor e Difese nell'Apprendimento Collaborativo con Partizionamento delle Feature. [pdf]

• Yang Liu, Zhihao Yi, e Tianjian Chen. ICML Workshop, 2020.

Puoi Davvero Iniettare Backdoor nell'Apprendimento Federato? [pdf]

• Ziteng Sun, Peter Kairouz, Ananda Theertha Suresh, e H. Brendan McMahan. NeurIPS Workshop, 2019.

Aggregatore Invariante per Difendere dagli Attacchi Backdoor Federati. [pdf]

• Xiaoyang Wang, Dimitrios Dimitriadis, Sanmi Koyejo, e Shruti Tople. arXiv, 2022.

Proteggere l'Apprendimento Federato: Mitigare gli Attacchi Bizantini con Meno Vincoli. [pdf]

• Minghui Li, Wei Wan, Jianrong Lu, Shengshan Hu, Junyu Shi, e Leo Yu Zhang. arXiv, 2022.

Apprendimento Federato Zero-Shot per il Riconoscimento Visivo. [pdf]

• Zhi Chen, Yadan Luo, Sen Wang, Jingjing Li, e Zi Huang. arXiv, 2022.

Agevolare l'Apprendimento Federato Backdoor con l'Allineamento della Conoscenza dell'Intera Popolazione. [pdf]

• Tian Liu, Xueyang Hu, e Tao Shu. arXiv, 2022.

FL-Defender: Combattere gli Attacchi Mirati nell'Apprendimento Federato. [pdf]

• Najeeb Jebreel e Josep Domingo-Ferrer. arXiv, 2022.

L'Attacco Backdoor è un Diavolo nella Sintesi Federata di Immagini Mediche basata su GAN. [pdf]

• Ruinan Jin e Xiaoxiao Li. arXiv, 2022.

SafeNet: Mitigare gli Attacchi di Avvelenamento dei Dati sul Machine Learning Privato. [pdf] [code]

• Harsh Chaudhari, Matthew Jagielski, e Alina Oprea. arXiv, 2022.

PerDoor: Backdoor Persistenti Non Uniformi nell'Apprendimento Federato tramite Perturbazioni Avversarie. [pdf] [code]

• Manaar Alam, Esha Sarkar, e Michail Maniatakos. arXiv, 2022.

Verso una Difesa contro gli Attacchi Backdoor nell'Apprendimento Federato Continuo. [pdf]

• Shuaiqi Wang, Jonathan Hayase, Giulia Fanti, e Sewoong Oh. arXiv, 2022.

Backdoor Mirata per Client nell'Apprendimento Federato. [pdf]

• Gorka Abad, Servio Paguada, Stjepan Picek, Víctor Julio Ramírez-Durán, e Aitor Urbieta. arXiv, 2022.

Difesa Backdoor nell'Apprendimento Federato tramite Test Differenziale e Rilevamento degli Outlier. [pdf]

• Yein Kim, Huili Chen, e Farinaz Koushanfar. arXiv, 2022.

ARIBA: Verso un'Identificazione Accurata e Robusta degli Attacchi Backdoor nell'Apprendimento Federato. [pdf]

• Yuxi Mi, Jihong Guan, e Shuigeng Zhou. arXiv, 2022.

Più è Meglio (Per lo Più): Sugli Attacchi Backdoor nelle Reti Neurali Grafiche Federate. [pdf]

• Jing Xu, Rui Wang, Kaitai Liang, e Stjepan Picek. arXiv, 2022.

Compressione del Sottospazio a Basse Perdite per Guadagni Puliti contro gli Attacchi Backdoor Multi-Agente. [pdf]

• Siddhartha Datta e Nigel Shadbolt. arXiv, 2022.

Backdoor Bloccate alla Porta Anteriore: Attacchi Backdoor Multi-Agente che si Ritorcono contro. [pdf]

• Siddhartha Datta e Nigel Shadbolt. arXiv, 2022.

Unlearning Federato con Distillazione della Conoscenza. [pdf]

• Chen Wu, Sencun Zhu, e Prasenjit Mitra. arXiv, 2022.

Attacchi di Trasferimento del Modello alla IperRete Backdoor nell'Apprendimento Federato Personalizzato. [pdf]

• Phung Lai, NhatHai Phan, Abdallah Khreishah, Issa Khalil, e Xintao Wu. arXiv, 2022.

Attacchi Backdoor sull'Apprendimento Federato con l'Ipotesi del Biglietto della Lotteria. [pdf]

• Zihang Zou, Boqing Gong, e Liqiang Wang. arXiv, 2021.

Sulla Difesa Backdoor Dimostrabile nell'Apprendimento Collaborativo. [pdf]

• Ximing Qiao, Yuhua Bai, Siping Hu, Ang Li, Yiran Chen, e Hai Li. arXiv, 2021.

SparseFed: Mitigare gli Attacchi di Avvelenamento del Modello nell'Apprendimento Federato con la Sparsificazione. [pdf]

• Ashwinee Panda, Saeed Mahloujifar, Arjun N. Bhagoji, Supriyo Chakraborty, e Prateek Mittal. arXiv, 2021.

Apprendimento Federato Robusto con Aggregazione Adattiva agli Attacchi. [pdf] [code]

• Ching Pui Wan e Qifeng Chen. arXiv, 2021.

Meta Apprendimento Federato. [pdf]

• Omid Aramoon, Pin-Yu Chen, Gang Qu, e Yuan Tian. arXiv, 2021.

FLGUARD: Apprendimento Federato Sicuro e Privato. [pdf]

• Thien Duc Nguyen, Phillip Rieger, Hossein Yalame, Helen Möllering, Hossein Fereidooni, Samuel Marchal, Markus Miettinen, Azalia Mirhoseini, Ahmad-Reza Sadeghi, Thomas Schneider, e Shaza Zeitouni. arXiv, 2021.- Verso la robustezza e la privacy nell'apprendimento federato: esperimenti con la privacy differenziale locale e centrale. [pdf]
• Mohammad Naseri, Jamie Hayes ed Emiliano De Cristofaro. arXiv, 2020.

Attacchi backdoor sul meta-apprendimento federato. [pdf]

• Chien-Lun Chen, Leana Golubchik e Marco Paolieri. arXiv, 2020.

Attacchi backdoor dinamici contro l'apprendimento federato. [pdf]

• Anbu Huang. arXiv, 2020.

Apprendimento federato in contesti avversari. [pdf]

• Raouf Kerkouche, Gergely Ács e Claude Castelluccia. arXiv, 2020.

BlockFLA: apprendimento federato responsabile tramite architettura blockchain ibrida. [pdf]

• Harsh Bimal Desai, Mustafa Safa Ozdayi e Murat Kantarcioglu. arXiv, 2020.

Mitigazione degli attacchi backdoor nell'apprendimento federato. [pdf]

• Chen Wu, Xian Yang, Sencun Zhu e Prasenjit Mitra. arXiv, 2020.

Imparare a rilevare clienti malintenzionati per un apprendimento federato robusto. [pdf]

• Suyi Li, Yong Cheng, Wei Wang, Yang Liu e Tianjian Chen. arXiv, 2020.

Apprendimento federato resistente agli attacchi con riponderazione basata sui residui. [pdf] [code]

• Shuhao Fu, Chulin Xie, Bo Li e Qifeng Chen. arXiv, 2019.

Allarme rosso per i modelli pre-addestrati: vulnerabilità universali tramite attacchi backdoor a livello di neurone. [pdf] [code]

• Zhengyan Zhang, Guangxuan Xiao, Yongwei Li, Tian Lv, Fanchao Qi, Zhiyuan Liu, Yasheng Wang, Xin Jiang e Maosong Sun. arXiv, 2021.

Rilevamento di backdoor nell'apprendimento per rinforzo. [pdf]

• Junfeng Guo, Ang Li e Cong Liu. arXiv, 2022.

Progettazione di backdoor intenzionali nei modelli sequenziali. [pdf]

• Zhaoyuan Yang, Naresh Iyer, Johan Reimann e Nurali Virani. arXiv, 2019.

PICCOLO: esporre le backdoor complesse nei modelli Transformer per NLP. [pdf] [code]

• Yingqi Liu, Guangyu Shen, Guanhong Tao, Shengwei An, Shiqing Ma e Xiangyu Zhang. IEEE S&P, 2022.

Attacco backdoor senza trigger per compiti NLP con etichette pulite. [pdf]

• Leilei Gan, Jiwei Li, Tianwei Zhang, Xiaoya Li, Yuxian Meng, Fei Wu, Shangwei Guo e Chun Fan. NAACL, 2022.

Uno studio sull'anomalia dell'attenzione nei BERT trojanizzati. [pdf] [code]

• Weimin Lyu, Songzhu Zheng, Tengfei Ma e Chao Chen. NAACL, 2022.

I trigger che aprono le backdoor dei modelli NLP sono nascosti nei campioni avversari. [link]

• Kun Shao, Yu Zhang, Junan Yang, Xiaoshuai Li e Hui Liu. Computers & Security, 2022.

BDDR: una difesa efficace contro gli attacchi backdoor testuali. [pdf]

• Kun Shao, Junan Yang, Yang Ai, Hui Liu e Yu Zhang. Computers & Security, 2021.

BadPre: attacchi backdoor task-agnostic a modelli foundation NLP pre-addestrati. [pdf]

• Kangjie Chen, Yuxian Meng, Xiaofei Sun, Shangwei Guo, Tianwei Zhang, Jiwei Li e Chun Fan. ICLR, 2022.

Esplorare la vulnerabilità universale del paradigma di apprendimento basato su prompt. [pdf] [code]

• Lei Xu, Yangyi Chen, Ganqu Cui, Hongcheng Gao e Zhiyuan Liu. NAACL-Findings, 2022.

I modelli pre-addestrati con backdoor possono trasferirsi a tutti. [pdf]

• Lujia Shen, Shouling Ji, Xuhong Zhang, Jinfeng Li, Jing Chen, Jie Shi, Chengfang Fang, Jianwei Yin e Ting Wang. CCS, 2021.

BadNL: attacchi backdoor contro modelli NLP con miglioramenti che preservano la semantica. [pdf] [arXiv-20]

• Xiaoyi Chen, Ahmed Salem, Dingfan Chen, Michael Backes, Shiqing Ma, Qingni Shen, Zhonghai Wu e Yang Zhang. ACSAC, 2021.

Attacchi backdoor su modelli pre-addestrati tramite avvelenamento dei pesi a livello di layer. [pdf]

• Linyang Li, Demin Song, Xiaonan Li, Jiehang Zeng, Ruotian Ma e Xipeng Qiu. EMNLP, 2021.

T-Miner: un approccio generativo per difendersi dagli attacchi trojan sulla classificazione del testo basata su DNN. [pdf]

• Ahmadreza Azizi, Ibrahim Asadullah Tahmid, Asim Waheed, Neal Mangaokar, Jiameng Pu, Mobin Javed, Chandan K. Reddy e Bimal Viswanath. USENIX Security, 2021.

RAP: perturbazioni consapevoli della robustezza per difendersi dagli attacchi backdoor sui modelli NLP. [pdf] [code]

• Wenkai Yang, Yankai Lin, Peng Li, Jie Zhou e Xu Sun. EMNLP, 2021.

ONION: una difesa semplice ed efficace contro gli attacchi backdoor testuali. [pdf]

• Fanchao Qi, Yangyi Chen, Mukai Li, Zhiyuan Liu e Maosong Sun. EMNLP, 2021.

Attenzione allo stile del testo! Attacchi avversari e backdoor basati sul trasferimento di stile del testo. [pdf] [code]

• Fanchao Qi, Yangyi Chen, Xurui Zhang, Mukai Li, Zhiyuan Liu e Maosong Sun. EMNLP, 2021.

Ripensare la furtività degli attacchi backdoor contro i modelli NLP. [pdf] [code]

• Wenkai Yang, Yankai Lin, Peng Li, Jie Zhou e Xu Sun. ACL, 2021.

Gira la combinazione: attacchi backdoor testuali apprendibili tramite sostituzione di parole. [pdf]

• Fanchao Qi, Yuan Yao, Sophia Xu, Zhiyuan Liu e Maosong Sun. ACL, 2021.

Hidden Killer: attacchi backdoor testuali invisibili con trigger sintattico. [pdf] [code]

• Fanchao Qi, Mukai Li, Yangyi Chen, Zhengyan Zhang, Zhiyuan Liu, Yasheng Wang e Maosong Sun. ACL, 2021.

Mitigazione dell'avvelenamento dei dati nella classificazione del testo con la privacy differenziale. [pdf]

• Chang Xu, Jun Wang, Francisco Guzmán, Benjamin I. P. Rubinstein e Trevor Cohn. EMNLP-Findings, 2021.

BFClass: un framework di classificazione del testo senza backdoor. [pdf] [code]

• Zichao Li, Dheeraj Mekala, Chengyu Dong e Jingbo Shang. EMNLP-Findings, 2021.

Attenzione agli embedding di parole avvelenati: esplorare la vulnerabilità dei layer di embedding nei modelli NLP. [pdf] [code]

• Wenkai Yang, Lei Li, Zhiyuan Zhang, Xuancheng Ren, Xu Sun e Bin He. NAACL-HLT, 2021.

Chirurgia delle reti neurali: iniettare pattern di dati nei modelli pre-addestrati con effetti collaterali minimi a livello di istanza. [pdf]

• Zhiyuan Zhang, Xuancheng Ren, Qi Su, Xu Sun e Bin He. NAACL-HLT, 2021.

Rilevamento di backdoor testuali utilizzando un modello astratto RNN interpretabile. [link]

• Ming Fan, Ziliang Si, Xiaofei Xie, Yang Liu e Ting Liu. IEEE Transactions on Information Forensics and Security, 2021.

Attacco backdoor testuale per il sistema di classificazione del testo. [pdf]

• Hyun Kwon e Sanghyun Lee. Security and Communication Networks, 2021.

Attacchi di avvelenamento dei pesi su modelli pre-addestrati. [pdf] [code]

• Keita Kurita, Paul Michel e Graham Neubig. ACL, 2020.

Attacchi di avvelenamento contro dataset testuali con autoencoder condizionale regolarizzato avversariamente. [pdf]

• Alvin Chan, Yi Tay, Yew-Soon Ong e Aston Zhang. EMNLP-Findings, 2020.

Un attacco backdoor contro i sistemi di classificazione del testo basati su LSTM. [pdf]

• Jiazhu Dai, Chuanshuai Chen e Yufeng Li. IEEE Access, 2019.

PerD: framework di rilevamento di trojan neurali basato sulla sensibilità alle perturbazioni per applicazioni NLP. [pdf]

• Diego Garcia-soto, Huili Chen e Farinaz Koushanfar. arXiv, 2022.

Kallima: un framework clean-label per attacchi backdoor testuali. [pdf]

• Xiaoyi Chen, Yinpeng Dong, Zeyu Sun, Shengfang Zhai, Qingni Shen e Zhonghai Wu. arXiv, 2022.

Attacchi backdoor testuali con iniezione iterativa di trigger. [pdf] [code]

• Jun Yan, Vansh Gupta e Xiang Ren. arXiv, 2022.

WeDef: difesa backdoor debolmente supervisionata per la classificazione del testo. [pdf]

• Lesheng Jin, Zihan Wang e Jingbo Shang. arXiv, 2022.

Ottimizzazione vincolata con ridimensionamento dinamico dei bound per una difesa efficace contro le backdoor NLP. [pdf]

• Guangyu Shen, Yingqi Liu, Guanhong Tao, Qiuling Xu, Zhuo Zhang, Shengwei An, Shiqing Ma e Xiangyu Zhang. arXiv, 2022.

Ripensare gli attacchi backdoor furtivi nell'elaborazione del linguaggio naturale. [pdf]

• Lingfeng Shen, Haiyun Jiang, Lemao Liu e Shuming Shi. arXiv, 2022.

Gli attacchi backdoor testuali possono essere più dannosi tramite due semplici trucchi. [pdf]

• Yangyi Chen, Fanchao Qi, Zhiyuan Liu e Maosong Sun. arXiv, 2021.

Modelli sequence-to-sequence manipolati con meta-backdoor. [pdf]

• Eugene Bagdasaryan e Vitaly Shmatikov. arXiv, 2021.

Difesa dagli attacchi backdoor nella generazione del linguaggio naturale. [pdf] [code]

• Chun Fan, Xiaoya Li, Yuxian Meng, Xiaofei Sun, Xiang Ao, Fei Wu, Jiwei Li e Tianwei Zhang. arXiv, 2021.

Backdoor nascoste nei modelli linguistici incentrati sull'uomo. [pdf]

• Shaofeng Li, Hui Liu, Tian Dong, Benjamin Zi Hao Zhao, Minhui Xue, Haojin Zhu e Jialiang Lu. arXiv, 2021.

Rilevare l'attacco avversario a trigger universale con honeypot. [pdf]

• Thai Le, Noseong Park, Dongwon Lee. arXiv, 2020.- Mitigare gli attacchi backdoor nei sistemi di classificazione del testo basati su LSTM tramite identificazione di parole chiave backdoor. [pdf]
• Chuanshuai Chen, and Jiazhu Dai. arXiv, 2020.

Trojanizzare i modelli linguistici per divertimento e profitto. [pdf]

• Xinyang Zhang, Zheng Zhang, and Ting Wang. arXiv, 2020.

Attacco backdoor furtivo contro il riconoscimento del parlante tramite trigger nascosto a iniezione di fase. [link]

• Zhe Ye, Diqun Yan, Li Dong, Jiacheng Deng, Shui Yu. IEEE Signal Processing Letters, 2023.

Falsificare il reale: attacco backdoor sulla classificazione profonda del parlato tramite conversione vocale. [pdf]

• Zhe Ye, Terui Mao, Li Dong, Diqun Yan. arXiv, 2023.

Attacchi backdoor opportunistici: esplorare le vulnerabilità impercettibili all'uomo nei sistemi di riconoscimento vocale. [link] [code]

• Qiang Liu, Tongqing Zhou, Zhiping Cai, Yonghao Tang. ACM MM, 2022.

Attacco backdoor indipendente dalla posizione nel dominio audio tramite trigger impercettibili. [pdf]

• Cong Shi, Tianfang Zhang, Zhuohang Li, Huy Phan, Tianming Zhao, Yan Wang, Jian Liu, Bo Yuan, Yingying Chen. ACM MobiCom, 2022.

Riesci a sentirlo? Attacchi backdoor tramite trigger ultrasonici. [pdf] [code]

• Stefanos Koffas, Jing Xu, Mauro Conti, and Stjepan Picek. WiseML, 2022.

Attacchi backdoor naturali sui modelli di riconoscimento vocale. [link]

• Jinwen Xin, Xixiang Lyu, Jing Ma. ML4CS, 2022.

Audio avversario: un nuovo metodo di occultamento delle informazioni e backdoor per i modelli di riconoscimento vocale basati su DNN. [pdf] [code]

• Yehao Kong, Jiliang Zhang. arXiv, 2022.

DriNet: attacco backdoor dinamico contro i modelli di riconoscimento automatico del parlato. [link]

• Jianbin Ye, Xiaoyuan Liu, Zheng You, Guowei Li, and Bo Liu. Applied Sciences, 2022.

Attacco backdoor contro la verifica del parlante [pdf] [code]

• Tongqing Zhai, Yiming Li, Ziqi Zhang, Baoyuan Wu, Yong Jiang, and Shu-Tao Xia. ICASSP, 2021.

Un nuovo attacco trojan contro il sistema DNN ASR basato su co-learning. [link]

• Mingxuan Li, Xiao Wang, Dongdong Huo, Han Wang, Chao Liu, Yazhe Wang, Yu Wang, Zhen Xu. CSCWD, 2021.

Una prospettiva interpretativa: attacco trojan adversarial sui sistemi edge AI abilitati dalla ricerca di architetture neurali. [link]

• Ship Peng Xu, Ke Wang, Md. Rafiul Hassan, Mohammad Mehedi Hassan, and Chien-Ming Chen. IEEE Transactions on Industrial Informatics, 2022.

Un attacco backdoor senza trigger e meccanismo di difesa per il task offloading intelligente nei sistemi multi-UAV. [link]

• Shafkat Islam, Shahriar Badsha, Ibrahim Khalil, Mohammed Atiquzzaman, and Charalambos Konstantinou. IEEE Internet of Things Journal, 2022.

Reti trojan invisibili multi-target per il riconoscimento e il rilevamento visivo. [pdf]

• Xinzhe Zhou, Wenhao Jiang, Sheng Qi, and Yadong Mu. IJCAI, 2021.

Attacco backdoor nascosto contro i modelli di segmentazione semantica. [pdf]

• Yiming Li, Yanjie Li, Yalei Lv, Yong Jiang, and Shu-Tao Xia. ICLR Workshop, 2021.

Dimenticanza mirata adversarial nei modelli di apprendimento continuo basati su regolarizzazione e approcci generativi. [link]

• Muhammad Umer and Robi Polikar. IJCNN, 2021.

Dimenticanza mirata e formazione di falsi ricordi negli apprendenti continui tramite attacchi backdoor adversarial. [pdf]

• Muhammad Umer, Glenn Dawson, Robi Polikar. IJCNN, 2020.

Attacchi trojan sulla classificazione dei segnali wireless con machine learning adversarial. [pdf]

• Kemal Davaslioglu, and Yalin E. Sagduyu. DySPAN, 2019.

BadHash: attacchi backdoor invisibili contro l'hashing profondo con etichetta pulita. [pdf]

• Shengshan Hu, Ziqi Zhou, Yechao Zhang, Leo Yu Zhang, Yifeng Zheng, Yuanyuan HE, and Hai Jin. arXiv, 2022.

Un trigger di crominanza temporale per l'attacco backdoor clean-label contro il rilevamento di ritrasmissioni anti-spoofing. [pdf]

• Wei Guo, Benedetta Tondi, and Mauro Barni. arXiv, 2022.

MACAB: backdoor clean-annotation agnostica rispetto al modello per il rilevamento di oggetti con trigger naturale nel mondo reale. [pdf]

• Hua Ma, Yinshan Li, Yansong Gao, Zhi Zhang, Alsharif Abuadbba, Anmin Fu, Said F. Al-Sarawi, Nepal Surya, and Derek Abbott. arXiv, 2022.

BadDet: Attacchi backdoor sul rilevamento di oggetti. [pdf]

• Shih-Han Chan, Yinpeng Dong, Jun Zhu, Xiaolu Zhang, and Jun Zhou. arXiv, 2022.

Attacchi backdoor sulle reti neurali bayesiane tramite distribuzione inversa. [pdf]

• Zhixin Pan and Prabhat Mishra. arXiv, 2022.

Iniettare backdoor nel machine learning spiegabile. [pdf]

• Maximilian Noppel, Lukas Peter, and Christian Wressnegger. arXiv, 2022.

Attacco backdoor clean-annotation contro i sistemi di rilevamento delle corsie nel mondo reale. [pdf]

• Xingshuo Han, Guowen Xu, Yuan Zhou, Xuehuan Yang, Jiwei Li, and Tianwei Zhang. arXiv, 2022.

Mimetizzazione pericolosa: attacchi backdoor basati su trigger naturali sui rilevatori di oggetti nel mondo fisico. [pdf]

• Hua Ma, Yinshan Li, Yansong Gao, Alsharif Abuadbba, Zhi Zhang, Anmin Fu, Hyoungshick Kim, Said F. Al-Sarawi, Nepal Surya, and Derek Abbott. arXiv, 2022.

Attacchi mirati con cavallo di Troia sul recupero di immagini basato sul linguaggio. [pdf]

• Fan Hu, Aozhu Chen, and Xirong Li. arXiv, 2022.- Il multimodale è necessariamente migliore? Valutazione della robustezza del rilevamento di notizie false multimodali. [pdf]
• Jinyin Chen, Chengyu Jia, Haibin Zheng, Ruoxi Chen, e Chenbo Fu. arXiv, 2022.

Backdoor multimodali a doppia chiave per il Visual Question Answering. [pdf]

• Matthew Walmer, Karan Sikka, Indranil Sur, Abhinav Shrivastava, e Susmit Jha. arXiv, 2021.

Attacco backdoor con etichette pulite contro il recupero basato su deep hashing. [pdf]

• Kuofeng Gao, Jiawang Bai, Bin Chen, Dongxian Wu, e Shu-Tao Xia. arXiv, 2021.

Attacchi backdoor sulla certificazione di reti tramite avvelenamento dei dati. [pdf]

• Tobias Lorenz, Marta Kwiatkowska, e Mario Fritz. arXiv, 2021.

Attacco e difesa backdoor per la regressione profonda. [pdf]

• Xi Li, George Kesidis, David J. Miller, e Vladimir Lucic. arXiv, 2021.

Il diavolo è nel GAN: difendere i modelli generativi profondi dagli attacchi backdoor. [pdf]

• Ambrish Rawat, Killian Levacher, e Mathieu Sinn. arXiv, 2021.

BAAAN: attacchi backdoor contro modelli di machine learning basati su autoencoder e GAN. [pdf]

• Ahmed Salem, Yannick Sautter, Michael Backes, Mathias Humbert, e Yang Zhang. arXiv, 2020.

DeepObliviate: un potente incantesimo per cancellare la memoria residua dei dati nelle reti neurali profonde. [pdf]

• Yingzhe He, Guozhu Meng, Kai Chen, Jinwen He, e Xingbo Hu. arXiv, 2021.

Backdoor nei modelli neurali del codice sorgente. [pdf]

• Goutham Ramakrishnan, e Aws Albarghouthi. arXiv, 2020.

Le interfacce cervello-computer basate su EEG sono vulnerabili agli attacchi backdoor. [pdf]

• Lubin Meng, Jian Huang, Zhigang Zeng, Xue Jiang, Shan Yu, Tzyy-Ping Jung, Chin-Teng Lin, Ricardo Chavarriaga, e Dongrui Wu. arXiv, 2020.

Bias Busters: irrobustire i rilevatori di hotspot litografici basati su DL contro gli attacchi backdoor. [pdf]

• Kang Liu, Benjamin Tan, Gaurav Rajavendra Reddy, Siddharth Garg, Yiorgos Makris, e Ramesh Karri. arXiv, 2020.

Difesa backdoor tramite il disaccoppiamento del processo di addestramento. [pdf]