Seeding Deception: Investigating the use of GANs in Minimizing Backdoor Poisoning Attack Ratios
Notice bibliographique
Résumé
As machine learning becomes widely adopted in industry for mission-critical systems, significant research is currently dedicated to the concern of cybersecurity attacks on open-source data. As we see an increasing dependency on open-source databases in model training for institutional use, there is a similarly increasing number of ways for attackers to exploit the Internet - the training ground for such machine learning models. Our investigation centers around using a generative adversarial network (GAN) to minimize the number of poisoned data elements in order to trigger a model into generating inaccurate results. In this paper, we focus on one type of adversarial attack - the backdoor attack, where the attacker provides poisoned data to the victim to train the model with, and then activates the attack by showing a specific small trigger pattern at test time (e.g., a small patch of pixels on an image). We aim to use the GAN in order to optimize the trigger pattern (i.e., pixel mask) added to corrupted data samples and minimize the poisoning ratio for a binary image classification convolutional neural network (CNN). The perspective of this research study focuses on the implications of targeted cybersecurity attacks on open-source datasets. It is therefore of utmost importance that researchers understand the mechanics of various machine learning attacks, and push the envelope on state-of-the-art attacks, such that researchers and engineers can proactively create defenses. This is the principal motivation behind white-hat hacking and thus behind this paper.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».