针对无监督对比学习的无差别投毒攻击
机器学习
2023-03-10 v3 人工智能
密码学与安全
计算机视觉与模式识别
摘要
无差别数据投毒攻击对监督学习相当有效。然而，人们对其在无监督对比学习（CL）上的影响知之甚少。本文首次考虑对比学习的无差别投毒攻击。我们提出对比投毒（CP），即首个针对 CL 的有效此类攻击。我们通过实验表明，对比投毒不仅大幅降低 CL 算法的性能，还攻击监督学习模型，使其成为最具泛化能力的无差别投毒攻击。我们还表明，具有动量编码器的 CL 算法对无差别投毒更具鲁棒性，并提出了一种基于矩阵补全的新对策。代码见：https://github.com/kaiwenzha/contrastive-poisoning。
引用
@article{arxiv.2202.11202,
title = {Indiscriminate Poisoning Attacks on Unsupervised Contrastive Learning},
author = {Hao He and Kaiwen Zha and Dina Katabi},
journal= {arXiv preprint arXiv:2202.11202},
year = {2023}
}
备注
ICLR 2023 Spotlight (notable top 25%). The first two authors contributed equally to this paper