基于噪声对齐的自监督对比学习后门攻击
计算机视觉与模式识别
2025-08-20 v1
摘要
自监督对比学习（CL）通过从包含图像或图像-文本对的无标签数据中学习可迁移的表征，但易受到数据投毒后门攻击（DPCLs）的威胁。攻击者可向预训练数据集注入受感染的图像，导致被感染的CL编码器在下游任务中表现出定向误行为。然而，现有DPCLs的有效性受限于其对后门与目标物体之间脆弱的隐式共现依赖，以及对感染图像中非判别性特征的抑制不足。我们提出噪声对齐（Noisy Alignment, NA），一种DPCL方法，显式抑制受感染图像中的噪声成分。灵感来自强大的可训练CL攻击，我们识别并提取噪声对齐的关键目标，将其有效应用于数据投毒场景。该方法通过操控对比学习的随机裁剪机制实现噪声对齐，将此过程形式化为具有理论推导最优参数的图像布局优化问题。该方法简洁而有效，相较于现有DPCLs在SOTA性能方面表现突出，同时保持干净数据的准确性。此外，噪声对齐对常见后门防御方法具有鲁棒性。代码可在 https://github.com/jsrdcht/Noisy-Alignment 获得。
引用
@article{arxiv.2508.14015,
title = {Backdooring Self-Supervised Contrastive Learning by Noisy Alignment},
author = {Tuo Chen and Jie Gui and Minjing Dong and Ju Jia and Lanting Fang and Jian Liu},
journal= {arXiv preprint arXiv:2508.14015},
year = {2025}
}
备注
Accepted by ICCV 2025