生成对抗网络（GAN）在合成逼真图像方面取得了显著进展，甚至能够欺骗人类观察者。为应对深度伪造带来的安全风险，已有多种检测方法通过识别生成过程中残留的图像伪影来区分真实与合成内容。然而，已有反攻击研究揭示了这些检测方法的局限性，但多数反攻击需要满足特定条件，例如需要与检测模型进行交互或直接调整生成器。本文提出了一类新颖且简单的反攻击方法，突破这些条件限制。作者发现，攻击者可以直接在生成图像的频域中去除指示性伪影，即所谓的“GAN指纹”。他们系统探索了多种指纹去除方式，从简单的对高频分量进行滤波，到更为精细的针对特定频率峰值的清除。通过在多种检测方法、GAN架构和数据集上的实验评估，作者证明了这种攻击能够有效移除GAN指纹，从而使生成的图像成功规避检测。这项研究不仅揭示了一种高效且易于实施的攻击途径，还指出了当前深度伪造检测技术的一个关键盲区，即过度依赖生成伪影的检测策略存在根本性脆弱性。该工作对数字取证、内容真实性验证以及社交媒体平台的内容安全治理具有重要的警示意义，强调了需要发展更具鲁棒性的检测范式，例如结合语义信息、生成模型先验或跨模型一致性分析。对于安全从业者而言，理解此类攻击有助于重新评估现有检测体系的可靠性，并为设计下一代防御措施提供参考。本摘要基于论文摘要生成，未涉及具体攻击实现细节。

该论文系统评估了针对增强3D点云公共数据集的投毒攻击的操作性影响。随着自动驾驶和联网汽车的发展，3D点云数据被广泛用于训练感知模型，但公共数据集可能遭受投毒攻击，导致分类错误或后门注入。传统观点认为数据增强技术（如旋转、缩放、噪声添加）可以降低投毒攻击的成功率，因为增强过程会稀释恶意样本。然而，该研究通过使用生成对抗网络（GAN）作为数据增强的具体案例，发现投毒攻击能够有效规避增强的净化效应：投毒样本在增强后仍保留恶意特征，并能够传播至整个增强数据集，最终干扰通用分类器的决策。实验基于公开数据集和工具，验证了投毒攻击在增强环境下的持久性和有效性。主要贡献包括：1）明确数据增强并非投毒攻击的绝对防御；2）揭示了GAN增强可能反而助长投毒扩散；3）提供可复现的实验材料。该研究对于自动驾驶感知系统的数据安全具有重要警示意义。

联邦学习（FL）允许多方协作训练模型而不共享原始数据，但分布式特性使其易受后门攻击——恶意客户端在本地训练数据中嵌入隐藏触发器，操纵模型预测。现有防御主要在聚合前或聚合中生效，无法完全消除收敛后全局模型中残留的后门行为。此外，服务器在训练后缺乏触发器模式或恶意客户端的信息，导致后门残留或正常准确率下降。为此，本文提出SCRUB-FL（通过遗忘后门来净化和清洗表示），一种两阶段后门清除方案。训练阶段：客户端使用频谱分析和激活聚类识别可疑样本，然后训练轻量级WGAN-GP（带梯度惩罚的Wasserstein生成对抗网络）捕获触发器相关分布；服务器端聚合生成器参数，构建可疑模式的全局表示而不暴露原始数据。收敛后阶段：服务器合成近似触发器的样本，应用机器遗忘（machine unlearning）通过将预测分布重定向为均匀分布来擦除触发器-目标关联。在CIFAR-10和GTSRB数据集上，针对三种攻击类型和高达40%的恶意参与率，实验表明SCRUB-FL将后门攻击成功率降至3.88%，同时保持超过91%的正常任务准确率，优于现有最先进防御，且无需服务器预先知道触发器模式或拥有大型干净代理数据集。

该论文研究了生成对抗网络（GAN）的隐私安全风险，特别是针对训练数据集的属性推断攻击。以往的研究大多关注判别模型（如分类器）的安全与隐私问题，而对生成模型（如GAN）的关注较少。本文首次提出针对GAN的训练数据集属性推断攻击方法。攻击者的目标是推断目标GAN训练数据集的宏观属性，即具有某个特定属性的样本在训练集中所占的比例。成功执行属性推断攻击后，攻击者能够获取目标GAN训练数据集的额外知识，从而直接侵犯目标模型所有者的知识产权。此外，该攻击还可用于公平性审计，检查目标GAN是否使用了带有偏见的数据集进行训练。同时，属性推断可以作为更高级攻击（如成员推断）的构建模块。论文提出了一套通用的攻击流程，可适用于两种攻击场景：全黑盒设置和部分黑盒设置。对于部分黑盒设置，作者引入了一种新颖的优化框架来提高攻击效能。在四个代表性GAN模型和五个属性推断任务上进行了大量实验，结果表明提出的攻击方法取得了很强的性能。此外，论文还展示了该攻击可用于增强针对GAN的成员推断攻击的性能。该研究揭示了GAN模型在隐私保护方面的新漏洞，对于理解生成模型的安全风险具有重要意义。读者主要为对机器学习隐私攻击感兴趣的研究人员。