Checkerboard：一种简单、有效、高效且无需学习的干净标签后门攻击，具有低投毒预算
密码学与安全
2026-05-05 v1 计算机视觉与模式识别
摘要
后门攻击通过投毒少量训练数据来威胁深度学习供应链，使模型在干净输入上正常工作，但在携带触发器的输入上误分类为攻击者指定的目标类别。干净标签后门攻击尤其危险，因为受感染的样本保持标签一致，因而难以被检测。然而，现有的干净标签攻击通常依赖于高成本的优化、代理模型训练或非平凡的数据访问。我们提出了 Checkerboard，这是一种在理论上得到 grounding、无需学习的干净标签后门攻击，有效、高效且易于实现。从线性可分性 formulation 出发，我们以闭式形式推导出 checkerboard trigger，消除了代理模型训练和 trigger 优化的需求。对于纹理丰富的数据集，我们引入了基于复杂度的样本选择，该方法仅使用目标类别数据，通过选择低复杂度图像进行投毒来提高 trigger 与背景之间的对比度。在四个基准数据集上，Checkerboard 在 8 个基线攻击中均表现出优势，并在低投毒预算下实现了最先进的性能。例如，在 CIFAR-10 上，触发扰动预算为 时，投毒 20 个训练样本即可实现 攻击成功率（ASR）。在 ImageNet-100 上，仅 的投毒率即可实现超过 的 ASR，而且不降低干净准确率。该攻击还对最先进的后门防御方法保持有效，对自适应防御表现出强大的抗性。
引用
@article{arxiv.2605.01298,
title = {Checkerboard: A Simple, Effective, Efficient and Learning-free Clean Label Backdoor Attack with Low Poisoning Budget},
author = {Yi Yang and Jinyang Huang and Binbin Liu and Feng-Qi Cui and Xiaokang Zhou and Zhi Liu and Jie Zhang and Meng Li},
journal= {arXiv preprint arXiv:2605.01298},
year = {2026}
}