CatBack：基于分类编码的通用表格数据后门攻击
机器学习
2025-11-11 v1 密码学与安全
摘要
后门攻击在机器学习领域因其潜在的隐蔽性干扰模型而引起广泛关注，但大多数研究聚焦于图像等均质数据。本文提出一种针对表格数据的新型后门攻击方法，由于同时包含数值和分类特征，此方法尤具挑战性。我们的核心思想是一种 novel 技术，用于将分类值转换为浮点表示。该方法在保持干净模型准确率方面，比传统方法（如 one-hot 编码或序数编码）更有效。通过此方法，我们创建了一个适用于所有特征（包括分类特征）的基于梯度的通用扰动。我们在五个数据集和四个流行模型上进行评估。结果显示，在白盒和黑盒设置（包括 Vertex AI 等真实应用场景）中，攻击成功率可达 100%，揭示了表格数据存在严重的安全漏洞。我们的方法在性能上优于 Tabdoor 等以前的工作，同时对最新防御机制保持隐蔽性。我们对抗测试了 Spectral Signatures、Neural Cleanse、Beatrix 和 Fine-Pruning，所有防御措施均未能成功防御。我们还验证了该攻击成功绕过了流行的异常检测机制。
引用
@article{arxiv.2511.06072,
title = {CatBack: Universal Backdoor Attacks on Tabular Data via Categorical Encoding},
author = {Behrad Tajalli and Stefanos Koffas and Stjepan Picek},
journal= {arXiv preprint arXiv:2511.06072},
year = {2025}
}