DNN 与 GBDT 后门攻击——来自保险领域的案例研究
机器学习
2025-09-30 v1
摘要
机器学习 (ML) 很可能在未来许多流程中发挥大作用，保险公司也不例外。然而，ML 模型面临被攻击和操纵的风险。本文评估了在保险背景下梯度提升决策树 (GBDT) 模型和深度神经网络 (DNN) 模型的鲁棒性。因此，在两个来自保险领域的不同表格数据集上训练了两个 GBDT 模型和两个 DNN 模型。过去的研究主要使用同构数据，对异构表格数据的见解相对较少。对这些数据集执行的 ML 任务是索赔预测（回归）和欺诈检测（二元分类）。对于后门攻击， crafted 了包含特定模式的不同样本并添加到训练数据中。结果表明，这种攻击方式即使仅添加少量样本也能高度成功。后门攻击在在一个数据集上训练的模型上效果良好，但在另一个数据集上训练的模型上效果较差。在现实场景中，攻击者会面临多个障碍，但由于这种攻击可以在很少的样本内工作，应评估此风险。
引用
@article{arxiv.2412.08366,
title = {Backdoor attacks on DNN and GBDT -- A Case Study from the insurance domain},
author = {Robin Kühlem and Daniel Otten and Daniel Ludwig and Anselm Hudde and Alexander Rosenbaum and Andreas Mauthe},
journal= {arXiv preprint arXiv:2412.08366},
year = {2025}
}
备注
40 pages, 14 figures