面向生成数据增强的不可见干净标签后门攻击
计算机视觉与模式识别
2026-02-04 v1
摘要
随着图像生成模型的快速发展，生成数据增强已成为丰富训练图像的有效方法，尤其是在数据规模较小的情况下。同时，在实际应用中，生成数据增强可能容易受到干净标签后门攻击的威胁，这类攻击旨在规避人类检查。然而，基于理论分析和初步实验，我们观察到将现有的像素级干净标签后门攻击方法(例如COMBAT)直接应用于生成图像会导致攻击成功率较低。这促使我们超越像素级触发器，专注于潜在特征层面。为此，我们提出InvLBA，这是一种针对生成数据增强的不可见干净标签后门攻击方法，通过潜在扰动实现。我们理论上证明了InvLBA对干净准确率和攻击成功率的泛化性。实验在多个数据集上表明，本方法在平均攻击成功率上提高了46.43%，几乎不降低干净准确率，并且对SOTA防御方法具有高鲁棒性。
引用
@article{arxiv.2602.03316,
title = {Invisible Clean-Label Backdoor Attacks for Generative Data Augmentation},
author = {Ting Xiang and Jinhui Zhao and Changjian Chen and Zhuo Tang},
journal= {arXiv preprint arXiv:2602.03316},
year = {2026}
}