本文揭示了一种新型的深度学习后门攻击——水平类后门（Horizontal Class Backdoor, HCB），与现有的垂直类后门（Vertical Class Backdoor, VCB）截然不同。在VCB攻击中，植入的后门通过特定触发器（如墨镜）可触发任意或特定源类别的样本误分类为目标类，但该触发器会污染整个目标类。而HCB攻击仅在被污染的水平子类（即目标类中的特定子集）激活后门，例如仅当某人佩戴墨镜时才误分类为另一人，而目标类中其他成员佩戴墨镜则无影响。这种攻击更简单、更隐蔽，且能轻松规避当前所有针对VCB的防御机制，因为防御者通常假设后门在类级别一致触发。作者通过理论分析和实验验证了HCB的有效性，并指出现有安全评估存在虚假的安全感，亟需开发针对此类新型后门的防御策略。论文为深度学习后门攻击领域开辟了新方向，具有重要的学术和实际意义。