.png){kind=icon}
返回
QuEST: Quantization-Conditioned Efficient Stealthy Trojan
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2026.3671079.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
量化条件下的后门攻击利用模型的量化状态来触发恶意行为，对深度学习安全构成了隐藏威胁。然而，当前研究忽略了攻击的可行性，即检测可见性和计算开销，导致其实际部署在真实对抗场景中受到显著限制。为解决这些局限性，我们提出了量化条件下的高效隐秘木马（QuEST）框架，该框架在量化约束下同时增强了后门攻击的隐秘性和效率。为增强隐秘性，我们设计了一种隐秘优化的训练方案，该方案利用参数化后门注入和触发器缩放增强来保持攻击期间模型行为的连贯性。通过这种方式，由于模型侧和数据侧的努力，防御者将无法捕捉用于检测的可疑行为差异。为提高效率，我们引入了信息引导的参数共享，该共享利用参数冗余分析和Fisher散度指标来识别进行后门注入所需的最小量化保留参数量。这些参数在恶意模型和良性模型之间进行战略共享，从而实现并行训练并显著减少整体训练时间。大量实验表明，与现有方法相比，QuEST在保持竞争性的攻击成功率的同时，将隐秘性能提高了18.75%，并将计算成本平均降低了26.66%，突显了QuEST在真实世界对抗场景中实现更实用部署的潜力。我们的代码可在此处获取。
Keyword:
Backdoor attacks
model quantization
deep learning security
stealthy Trojan
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
BadNets: Evaluating Backdooring Attacks on Deep Neural NetworksBadNets: 评估对深度神经网络的后台攻击.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏Manipulating the Byzantine: Optimizing Model Poisoning Attacks and Defenses for Federated Learning
OAAI
OAAI分享收藏
查看更多内容