FIDA: Feature Instability-Driven Attack on Self-Supervised Facial Representation
本文提出了一种针对自监督学习（SSL）人脸表示模型的新型后门攻击框架 FIDA（Feature Instability-Driven Attack）。研究背景是：自监督学习模型已被证实容易受到后门攻击，但在人脸表示领域，此类攻击的系统性风险
#self-supervised-learning
共收录 13 条相关情报。
← 返回所有主题Self-Supervised Representations for Binary Program Clustering: From Empirical Study to Retrieval-Augmented Learning
该论文针对二进制程序聚类任务，首次系统性地研究了自监督学习（SSL）和表格表示学习（TRL）方法在该场景下的表现。恶意软件聚类是网络安全中威胁发现和家族演化分析的关键步骤，但以往SSL/TRL方法在此领域的研究几乎空白。作者在公开的Embe
Multi-Backbone Self-Supervised Ensembles for Audio Deepfake Detection and a Cross-Track Analysis of Generation-Detection Asymmetry
本文介绍“Go-To-Germany”团队参与ImageCLEF 2026音频深度伪造检测与生成任务的方案与结果。研究背景：深度伪造音频对身份认证、司法证据和金融安全构成现实威胁，而现有检测器对未知或对抗性生成样本的泛化能力尚待验证。该团队
BadEncoder: Backdoor Attacks to Pre-trained Encoders in Self-Supervised Learning.
本论文提出 BadEncoder，这是首个针对自监督学习（Self-Supervised Learning, SSL）的后门攻击方法。自监督学习在计算机视觉中通过大量无标注图像或（图像，文本）对预训练一个图像编码器，该编码器随后可作为特征提
DrSec: Flexible Distributed Representations for Efficient Endpoint Security.
该论文提出 DrSec 系统，针对端点安全领域日益复杂的攻击以及现有安全产品（如 EDR）的碎片化问题——应用独立开发、误报率高、漏报、缺乏高质量标签——采用自监督学习预训练基础语言模型（LM）来处理事件序列数据。DrSec 输入进程的事件
The Platonic Defense: Backdoor Defense for Self-Supervised Encoders in the Era of Large Scale Pre-training
本文针对自监督学习（SSL）预训练模型易受后门攻击的问题，提出了一种全新的、攻击无关、模型无关、模态无关的黑盒测试时防御范式——柏拉图表示防御（Platonic Representation Defense）。该方法受柏拉图表示假设启发，该
SSLGuard: A Watermarking Scheme for Self-supervised Learning Pre-trained Encoders.
自监督学习作为一种新兴的机器学习范式，利用无标签数据预训练强大的编码器，这些编码器可作为特征提取器服务于各种下游任务。然而，由于预训练过程需要大量数据和计算资源，编码器本身成为模型所有者的宝贵知识产权。研究表明，模型窃取攻击通过训练替代模型
Timestamp-Aware Spatio-Temporal Graph Contrastive Learning for Network Intrusion Detection
该论文针对现有基于图神经网络（GNN）的网络入侵检测系统（NIDS）的局限性——将流量流视为时间独立且依赖有监督学习——提出了一种时间感知的自监督时空图对比学习框架。研究背景：GNN在建模网络流量关系方面有效，但多数方法忽略时间动态特征，且
Distribution Preserving Backdoor Attack in Self-supervised Learning.
该论文研究了自监督学习中的后门攻击问题。自监督学习通过大量无标签数据训练特征提取器（编码器），下游任务可在其上构建分类器。然而，攻击者可以通过向无标签训练数据注入后门，使基于后门编码器构建的下游分类器将带有触发器的输入错误分类为目标标签。现
GeeSolver: A Generic, Efficient, and Effortless Solver with Self-Supervised Learning for Breaking Text Captchas.
文本验证码（text-based captcha）作为一种区分人类用户与机器人的安全机制，虽然已面临多种攻击方法，但仍被广泛使用。近年来，基于深度学习的验证码破解器取得了显著效果，但其高度依赖大量人工标注数据，成本高昂且耗时。此前的一些工作
Concept Drift Adaptation Using Self-Supervised and Reinforcement Learning In Android Malware Detection
本文针对安卓恶意软件检测模型在部署后因概念漂移（concept drift）导致性能下降的问题，提出了一种基于自监督学习和强化学习的自适应维护框架。现有方法通常需要完全重新训练模型，成本高昂。作者将部署期间的维护建模为序列决策问题：首先通过
MIMIR: Masked Image Modeling for Mutual Information-based Adversarial Robustness.
本文针对视觉 Transformer（ViT）在对抗攻击下的脆弱性展开系统研究。ViT 已成为现代视觉-语言模型的基础架构，但其对抗鲁棒性不足，需要专门的对抗训练（AT）策略。作者首先指出现有最先进的 AT 方法（如 Generalist
Dataset Reduction and Watermark Removal via Self-supervised Learning for Model Extraction Attack.
本文提出一种基于自监督学习的模型提取攻击方法，旨在同时实现数据集缩减和水印移除。传统模型提取攻击通常需要大量查询和完整训练数据，且可能保留原始模型的水印。作者利用自监督学习（如对比学习）从目标模型中提取知识，仅需少量未标记样本即可训练一个紧