本文提出一种针对神经网络后门攻击的训练阶段防御方法。现有训练时防御通常从被污染的训练数据中隔离出良性子集，并仅用该子集训练无后门模型。作者将这一策略形式化为核心集选择问题，即“反后门核心集选择”。其核心观察是：有毒样本通常具有较低的预测不确定性，且在数据集中出现频率低于良性样本，因此核心集选择会自然地偏向良性样本。为了进一步放大这一效应，作者提出使用累积熵作为选择准则。累积熵能够跟踪训练样本的学习动态，从而选出信息量高的良性样本。此外，在每个训练轮次中，作者对已选样本进行“遗忘”（unlearning），以增强良性样本与有毒样本之间的可分离性。将这些技术结合，形成了一种有效的训练时防御方法，能构建一个良性核心集并训练出无后门模型。与现有防御相比，本方法在缓解多种后门攻击时保持一致效果，且对自然精度的影响极小。实验表明，该方法在抵御攻击的同时几乎不牺牲模型的正常性能。适合研究后门防御、数据清洗和可信机器学习的学者与安全工程师阅读。