多模态对比学习中的后门攻击
机器学习
2026-01-19 v1
摘要
对比学习已成为跨领域表征学习的主导自监督方法，这些领域包括视觉、多模态场景、图和联邦学习。然而，最近的研究表明，对比学习容易受到后门和数据投毒攻击。在这些攻击中，攻击者可以操纵预训练数据或模型更新，以植入隐藏的恶意行为。本文对对比学习中的后门攻击进行了全面且比较性的综述。它分析了威胁模型、攻击方法、目标领域和可用的防御手段。我们总结了该领域的最新进展，强调了对比学习固有的特定漏洞，并讨论了挑战和未来的研究方向。我们的发现对工业和分布式环境中系统的安全部署具有重要意义。
引用
@article{arxiv.2601.11006,
title = {Backdoor Attacks on Multi-modal Contrastive Learning},
author = {Simi D Kuniyilh and Rita Machacy},
journal= {arXiv preprint arXiv:2601.11006},
year = {2026}
}