知识卡片

普通读书笔记卡 · 8428.a.1.b.1.b · 生成模型:未记录

投毒改变源头

理解等级:中级

投毒在学习过程中引入恶意数据或受污染模型,使后续输出系统性偏离预期。它与推理时改变一个输入的闪避攻击不同。外部数据、云训练及预训练模型都可能成为入口;防御应追踪来源和训练完整性,而不只检查最终单次预测。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • 网络安全 训练污染、攻击链与设备指纹 · 查看原书依据

      使数据池中毒,从而导致输出也被恶意改变。深度神经网络训练需要大量的计算资源,因此,许多用户在云端进行训练或依靠预先训练的模型进行识别,并针对特定任务进行微调。 智能化投毒攻击基于生成对抗网络,能够逃避域名黑名单检测,通过构建一个基于深度学习

    参考来源

    - 位置:《人工智能安全》网络安全,训练污染、攻击链与设备指纹(源项目a19c7933-4eda-4176-aebd-30fe7e1ad292,源文件:extracted/人工智能安全/_epub-src/EPUB/xhtml/Section0001_0009.xhtml) - 结论依据:原文对该概念的说明、比较或案例支撑本卡解释;书中历史数据与技术预测保留原有时点,不当作当前已验证结论。 - 原始内容:使数据池中毒,从而导致输出也被恶意改变。深度神经网络训练需要大量的计算资源,因此,许多用户在云端进行训练或依靠预先训练的模型进行识别,并针对特定任务进行微调。 智能化投毒攻击基于生成对抗网络,能够逃避域名黑名单检测,通过构建一个基于深度学习