BackdoorBench：后门学习的综合性基准
机器学习
2022-10-20 v2 密码学与安全
摘要
后门学习是研究深度神经网络（DNN）漏洞的一个新兴且重要的课题。许多开创性的后门攻击与防御方法在快速的军备竞赛中相继或同时被提出。然而，我们发现新方法的评估往往不够彻底以验证其主张和准确性能，这主要由于快速发展、设置多样以及实现与可复现性的困难。若无彻底的评估与比较，便不易追踪当前进展并设计文献的未来发展路线。为缓解此困境，我们构建了名为BackdoorBench的后门学习综合基准。它包含一个可扩展的基于模块的代码库（目前包括8种最先进（SOTA）攻击和9种SOTA防御算法的实现）以及完整的后门学习标准化协议。我们还基于5种模型和4个数据集，以5种投毒比例，对8种攻击与9种防御的每一组合提供了全面评估，总计8000对评估。我们针对这8000次评估从不同视角给出了丰富分析，研究了后门学习中不同因素的影响。BackdoorBench的所有代码与评估均公开于\url{https://backdoorbench.github.io}。
引用
@article{arxiv.2206.12654,
title = {BackdoorBench: A Comprehensive Benchmark of Backdoor Learning},
author = {Baoyuan Wu and Hongrui Chen and Mingda Zhang and Zihao Zhu and Shaokui Wei and Danni Yuan and Chao Shen},
journal= {arXiv preprint arXiv:2206.12654},
year = {2022}
}
备注
Accepted at NeurIPS 2022 Datasets and Benchmarks Track; 44 pages; 8 backdoor attacks; 9 backdoor defenses; 8,000 pairs of attack-defense evaluations; several analysis and 5 analysis tools