AGNNCert: Defending Graph Neural Networks against Arbitrary Perturbations with Deterministic Certification.
图神经网络（GNN）在节点分类、图分类等图相关任务上取得了当前最优的性能，但近年来研究显示，GNN容易受到对抗性扰动的影响，这些扰动可作用于构成图的三个组件：边、节点和节点特征。经验性的防御方法往往很快被自适应攻击者突破，而认证防御虽能提供
#certified-defense
共收录 4 条相关情报。
← 返回所有主题PatchCleanser: Certifiably Robust Defense against Adversarial Patches for Any Image Classifier.
该论文提出了一种名为 PatchCleanser 的认证鲁棒防御方法，旨在抵御针对图像分类模型的对抗性补丁攻击。对抗性补丁攻击通过在输入图像的受限区域内注入精心设计的像素（即补丁），导致模型误分类。这种攻击可在物理世界中通过打印并粘贴补丁到
Traffic-Aware Randomized Smoothing for LLM-Based Network Intrusion Detection
该论文针对基于大语言模型（LLM）的网络入侵检测系统（IDS）在对抗性流量操控下的鲁棒性问题，提出了一种名为“流量感知随机平滑”（Traffic-Aware Randomized Smoothing, TA-RS）的分类器无关认证防御方法。
Cert-LAS: Toward Certified Model Ownership Verification for Text-to-Image Diffusion Models via Layer-Adaptive Smoothing
随着文本到图像（T2I）扩散模型在创意应用中的广泛使用，模型被未经授权使用的问题日益严重，模型所有权验证（MOV）成为保护知识产权的重要手段。现有基于后门的扩散模型水印方法通常隐含假设验证过程是“忠实”的，即验证者可以查询可疑模型并获得可信