HYDRA: Proactive Android Malware Drift Adaptation via Hierarchical Graph Contrastive Learning
该论文聚焦于 Android 恶意软件检测中的概念漂移（concept drift）问题。随着恶意样本持续演化，基于机器学习训练的检测器性能会显著退化。作者指出当前两类主流适应策略各有缺陷：一类是「反应式」方案，只有在检测性能已经下降后才触
#contrastive-learning
共收录 12 条相关情报。
← 返回所有主题Federated Attack Campaign Detection via Contrastive Encoding of Threat Indicators in Gradient Updates
针对传统网络攻击活动检测依赖跨组织共享敏感遥测与威胁情报、带来隐私与合规障碍的问题，本文提出一种基于联邦学习的模块化框架 FedIoC，用于在不直接传输 IoC（威胁指标）的情况下恢复跨组织的协同攻击活动模式。其核心思路是：各参与客户端在本
InverTune: A Backdoor Defense Method for Multimodal Contrastive Learning via Backdoor-Adversarial Correlation Analysis.
多模态对比学习模型（如CLIP）凭借出色的视觉-语言对齐能力，已广泛用作大规模多模态系统的核心基础组件。然而，这类模型极易遭受后门攻击：攻击者可向训练数据注入隐蔽触发器，使模型在推理时遇到特定图案便产生恶意输出，且后门效应会沿下游任务传播，
PrivateHub: Contrastive Diffusion Model for Private Sensor-Intensive Environment Data Generation
在智能家居、可穿戴设备等传感器密集型环境中，系统通过异构的多传感器数据流推断用户正在使用的应用，从而提供智能服务。然而，并非所有应用都应该被识别——用户希望某些活动保持私密。现有隐私保护方法（如差分隐私、基于规则的过滤）仅针对单一数据流，无
Poster: Membership Inference Attacks via Contrastive Learning.
本文提出了一种基于对比学习的成员推断攻击方法 CLMIA。成员推断攻击旨在判断某个数据样本是否被用于训练目标机器学习模型，其原理是模型在有限数据集上多次训练后容易记忆训练样本。然而，现实场景中攻击者难以获得足够多带有准确成员身份标签的样本，
When Modalities Fail to Tango: Conformal Backdoor Detection in Multimodal Contrastive Learning
本文针对多模态对比学习（MCL）中的后门攻击检测问题展开研究。MCL 模型（如 CLIP）被广泛用于预训练，但其容易受到后门攻击的影响，现有基于检测的防御手段主要依赖 CLIPScore 指标，假设中毒图像-文本对具有较低的语义相似度。然而
Generalized Synthetic Image Detection with Enhanced RGB-Noise Representation Learning
本文针对大规模生成模型快速发展导致的高度逼真AI生成图像泛滥问题，提出了一种新的通用合成图像检测框架RNSIDNet。现有取证网络通常依赖单一域表示和传统二分类优化，导致跨模型泛化能力差且对真实世界退化（如JPEG压缩、缩放等）鲁棒性不足。
Continuous Learning for Android Malware Detection.
该论文聚焦于Android恶意软件检测中的概念漂移（concept drift）问题。现有机器学习分类器在训练时能达到很高的准确率（例如F1分数0.99），但部署后随着时间推移，由于恶意软件和良性应用的持续演化，分类器性能急剧下降——在仅6
Membrane: A Self-Evolving Contrastive Safety Memory for LLM Agent Defense
本文提出了一种名为Membrane的自我演化防护栏，用于增强大型语言模型（LLM）智能体防御不断演化的越狱攻击。当前的安全对齐方法难以适应新型攻击，而基于微调的安全分类器无法实时更新，基于记忆的防护栏又容易对良性查询过度拒绝。Membran
Vol-Mark: A Watermark for 3D Medical Volume Data Via Cubic Difference Expansion and Contrastive Learning
该论文提出了一种名为 Vol-Mark 的新型可逆零水印方法，用于保护远程医疗中 3D 医学体积数据的完整性和所有权。针对医学体积数据在网络共享中面临的数据篡改和未授权复制等安全风险，Vol-Mark 设计了两个核心组件：一是利用对比学习构
TwinGate: Stateful Defense against Decompositional Jailbreaks in Untraceable Traffic via Asymmetric Contrastive Learning
该论文针对大语言模型（LLM）面临的分解式越狱攻击提出了一种新型防御框架。分解式越狱攻击通过将恶意目标拆分为一系列看似无害的查询，使攻击者能够绕过安全防护，累积重构出被禁止的内容。在实际部署中，LLM面对连续、不可追溯的匿名请求流，其中混杂
Differentially Private Contrastive Learning via Bounding Group-level Contribution
该论文聚焦于差分隐私（DP）对比学习中的隐私-效用权衡问题。现有的DP对比学习方法因标准对比目标中样本间固有的强依赖性而遭受严重的效用退化：每个样本的梯度依赖于批次中的所有其他样本，这放大了DP噪声的影响。作者指出，有效的DP对比学习需要显