TEMPO-Diffusion：扩散模型的时间暴露恶意投毒
密码学与安全
2026-06-24 v1 人工智能
摘要
基于噪声的扩散模型后门攻击通常依赖于输入时触发器注入、非目标激活和分布外目标生成。这些假设降低了攻击的隐蔽性和实际相关性。在这项工作中，我们提出了 TEMPO-Diffusion，一个针对性的后门框架，将恶意分布偏移定位到时间性的、分布内的暴露。TEMPO-Diffusion 支持：(i) 针对特定类别的定向攻击，(ii) 多个子图像后门，可在多个不同的输出图像中的多个位置重建特定特征，以及 (iii) 使用时间条件触发器的图像修复。为了研究利用带后门的扩散模型生成合成训练数据所带来的相关实际安全问题，我们还引入了 CALISA：一个平衡的、区域感知的交通标志数据集，重点涵盖加拿大和美国的道路标志。在 CIFAR10、GTSRB 和 CALISA 上的实验表明，TEMPO-Diffusion 能够可靠地毒化特定类别的合成数据生成，并在基于该数据训练的下游分类器中诱导高攻击成功率。
引用
@article{arxiv.2606.26285,
title = {TEMPO-Diffusion: Temporally Exposed Malicious Poisoning of Diffusion Models},
author = {William Aiken and Paula Branco and Guy-Vincent Jourdan and Iosif-Viorel Onut},
journal= {arXiv preprint arXiv:2606.26285},
year = {2026}
}