Rethinking Backdoor Repair Evaluation: Distinguishing Aggregate Clean Utility from Benign Performance Preservation
该论文关注后门修复（backdoor repair）的评估方法问题。后门修复的目标是在被植入后门的模型中抑制恶意行为，同时尽量保留模型在良性任务上的正常性能。以往研究普遍使用两个指标来评价修复效果：攻击成功率（ASR）用于衡量后门是否被压制
#trustworthy-ml
共收录 3 条相关情报。
← 返回所有主题ARTMAN '25: Third Workshop on Recent Advances in Resilient and Trustworthy MAchine learning-driveN systems.
本论文为 ARTMAN '25 研讨会（第三届弹性与可信机器学习驱动系统前沿进展研讨会）的征稿与主题介绍。该研讨会聚焦于机器学习驱动的系统在面对故障、攻击和异常时的韧性与可信性，旨在汇聚安全、可靠性与机器学习交叉领域的研究者。文中概述了研讨
Your Compiler is Backdooring Your Model: Understanding and Exploiting Compilation Inconsistency Vulnerabilities in Deep Learning Compilers.
本研究首次系统性地揭示了深度学习编译器中的编译不一致性漏洞（Compilation Inconsistency Vulnerability）。作者发现，即使是官方、未经修改的深度学习编译器，也可能在模型编译过程中静默改变模型语义，从而引入隐