35、深度学习中的后门增强与植物病害检测技术

深度学习中的后门增强与植物病害检测技术

在当今的深度学习领域，有两个重要的研究方向备受关注，一是后门攻击与防御相关的技术，二是植物病害检测的模型优化。下面将详细介绍这两方面的研究进展。

1. 通用后门增强技术

在深度学习模型的安全领域，后门攻击是一个重要的研究课题。研究人员使用了CIFAR - 10、SVHN和Fashion - MNIST（FMNIST）三个不同的数据集，三种不同的触发模式（分别记为‘Trigger A’、‘Trigger B’和‘Trigger C’），以及三种网络架构（ResNet - 20、VGG - 16和CNN）进行实验。

• 模型类型定义
  • “良性模型”指不包含任何后门的模型，即干净模型。
  • 用经典后门技术（硬标签）训练的模型称为“Hard Label”。
  • 用新提出的技术训练的模型称为“LSAS”。
• 评估指标
  • 后门成功率（BSR） ：被触发模式标记的良性输入被后门模型预测为目标标签的百分比。
  • 干净样本准确率（CA） ：干净样本的分类准确率。
  • STRIP的误接受率（FAR） ：用于区分干净模型和受感染模型。
  • NC的异常指数 ：用于识别模型是否被后门攻击。