锤与坚果：毒化线性分类器真的需要双层优化吗？

现代 AI 系统最令人担忧的威胁之一是数据投毒，攻击者注入精心构造的恶意训练数据以在测试时破坏系统行为。可用性投毒是一类尤其令人忧虑的投毒攻击子集，攻击者的目标是引发拒绝服务(DoS)攻击。然而，最先进算法计算代价高昂，因为它们试图求解复杂的双层优化问题（“锤”）。我们观察到在特定条件下，即目标模型为线性（“坚果”）时，可避免使用计算昂贵的流程。我们提出一种反直觉但高效的启发式方法，能够污染训练集从而使目标系统性能严重受损。我们进一步建议一种重参数化技巧以减少待优化变量数。最后，我们证明在所考虑设定下，我们的框架在攻击者目标上取得了相当甚至更优的性能，同时计算效率显著更高。