基于样本损失值变化统一性的后门样本隔离

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘  要：后门攻击对人工智能的应用构成潜在威胁。基于遗忘的鲁棒训练方法可通过隔离后门样本的子集并遗忘该子集，实现在不受信的数据集上训练无后门的模型。然而，错误隔离并遗忘干净样本会导致模型在干净数据上的性能受到损害。为了减少对干净样本的错误隔离，进而保护模型在干净数据上的性能，提出基于样本损失值变化统一性的后门样本隔离方案。（剩余9576字）

试读结束

目录
monitor