TARE：用未投毒孪生模型度量后门防御代价

研究提出 TARE，用同一配方、调度和种子训练的未投毒孪生模型来度量后门防御的"剥离代价"（tare）：在 BackdoorBench 上（≤10 张中毒图、仅攻击成功率低于 5% 的结果被采纳），孪生模型损失的准确率即为 tare。作者称，在 WaNet、BPP、Input-Aware 的攻击配置中 MultiStepLR 从未触发，导致受害模型从未退火，在 30/31 个公开 CIFAR 单元中准确率最低（≤5%）。 作者发布了三键补丁、带签名的 tare 列（7 种攻击 × 8 种防御）以及面向种子稳定防御的无孪生估计器 TARE-Z。作者还称，在同一种攻击内部起点在排名中会相互抵消，因此 tare 不改变该攻击内的排序；投毒在 tare 之外额外造成的影响按两种估计器列出，且未作校正，其中可归因于投毒去除的份额尚未确定。

AI 根据报道生成 · 3 小时前更新