BagFlip：一种针对数据投毒的认证防御方法

机器学习模型易受数据投毒攻击，攻击者在其中恶意修改训练集以改变所学模型的预测。在无触发攻击中，攻击者可以修改训练集但不能修改测试输入，而在后门攻击中攻击者还可以修改测试输入。现有的与模型无关的防御方法要么无法处理后门攻击，要么不能提供有效的认证(即防御的证明)。我们提出BagFlip，一种与模型无关的认证方法，可有效防御无触发和后门两类攻击。我们在图像分类与恶意软件检测数据集上评估了BagFlip。对于无触发攻击，BagFlip与最先进方法同等或更有效；对于后门攻击，BagFlip比最先进方法更有效。