针对表格数据Transformer的后门攻击：一项实证研究
密码学与安全
2025-09-18 v4 机器学习
摘要
深度神经网络（DNN）在各个领域展现出巨大潜力。然而，与DNN训练相关的漏洞（如后门攻击）是一个重要隐患。这类攻击在模型训练期间微妙地插入触发器，从而实现对预测结果的操纵。近来，随着Transformer模型的兴起，用于表格数据的DNN日益受到关注。我们的研究针对使用DNN（主要关注Transformer）的表格数据后门攻击进行了全面分析。我们提出了一种新颖的触发器构造方法：边界内攻击（in-bounds attack），其在保持隐蔽性的同时提供了优异的攻击性能。通过在基准数据集上的系统性实验，我们发现基于Transformer的表格数据DNN极易受到后门攻击，即便仅对特征值做极微小改动也是如此。我们还验证了这些攻击可泛化至其他模型，如XGBoost和DeepFM。我们的结果表明，在干净准确率几乎无下降的情况下，攻击成功率高达100%。此外，我们评估了若干针对此类攻击的防御方法，确定Spectral Signatures最为有效。尽管如此，我们的发现凸显了开发针对表格数据的专用对策以防御后门攻击的必要性。
引用
@article{arxiv.2311.07550,
title = {Backdoor Attacks on Transformers for Tabular Data: An Empirical Study},
author = {Bart Pleiter and Behrad Tajalli and Stefanos Koffas and Gorka Abad and Jing Xu and Martha Larson and Stjepan Picek},
journal= {arXiv preprint arXiv:2311.07550},
year = {2025}
}