A Per-Bag Suspicion-Based Bagging Strategy for Fighting Poisoning Attacks in Classification
Notice bibliographique
Résumé
The wide adoption of machine learning-powered systems in sensitive applications, such as banking for fraud detection, has attracted malicious actors who seek to break and subvert these systems. In this work, we focus on Data Poisoning attacks, which is a well-known type of adversarial attack carried out by an adversary whose goal is to reduce the effectiveness of the learning system. Bagging, a well-known ensemble learning technique that aims to improve performance and reduce the overall system variance, has demonstrated robustness against data poisoning attacks. Bagging has been further extended to include weighted schemes designed to detect outliers and assign lower resampling probabilities to anomalous instances, thereby enhancing the robustness of the standard bagging mechanism. Weighted bagging significantly improves system performance when the dataset is poisoned; however, it often suffers from instability due to the mechanism used to estimate the resampling probabilities. To address this challenge, we propose a novel weight estimation approach that leverages the reconstruction capabilities of autoencoders to identify and down-weight anomalous training samples. In particular, we investigate a specific type of data poisoning attack known as a label-flipping attack, using the widely studied MNIST dataset of handwritten images and conduct experiments using a Convolutional Neural Network (CNN). Our results show that the proposed weighted bagging mechanism consistently outperforms standard bagging under data poisoning levels of up to $50 \%$. To our knowledge, this is the first study to introduce a per-bag anomaly-based weighting mechanism, paving the way for future adaptive ensemble defenses in adversarial machine learning.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».