本文提出了一种高效算法来执行最优标签翻转毒攻击，并提出了一种机制，以检测和重新标记可疑数据点，减轻这种毒攻击的影响。

Mar, 2018

通过使用脏标签技术 - ' 标签对标签 '，在选定的与目标类别相关的数据模式中插入触发器（拍手声），我们提出了一种名为 'DirtyFlipping' 的后门攻击，从而实现了隐秘的后门。

Mar, 2024

通过研究恶意 URL，在集成树的背景下，揭示了背后攻击的动机，强调了攻击者的角色和有效防御策略的重要性。提出了一种创新的警报系统，可以检测到被污染的标签，以及一种用于揭示原始类标签从而缓解背后攻击的防御机制。利用 Alexa 和钓鱼网站 URL 数据集进行的案例研究表明，我们的防御机制可以解决 LF 攻击问题，并且实验证明 LF 攻击的成功率在 2-5% 之间，而创新的防御方法可以以高达 100% 的准确率检测到被污染的标签。

Mar, 2024

在需要高可靠性的领域（如网络安全）中，机器学习模型被广泛使用。然而，这些模型仍然容易受到各种攻击的影响，其中敌对的标签翻转攻击构成了重大威胁。本文对此表示担忧，因为这些攻击可以将高度倾斜的数据集伪装成一个容易解决的分类问题，常常误导机器学习从业者降低防御措施并错误地估计潜在风险。我们提出 FALFA（快速敌对标签翻转攻击）来展示这种风险是敌对目标的一部分，它是一种新颖高效的用于生成敌对标签的攻击方法。FALFA 基于转换敌对目标，并利用线性规划减少计算复杂性。通过使用十个真实世界的表格数据集，我们展示了 FALFA 具有卓越的攻击潜力，强调了对这种威胁的强大防御的必要性。

Oct, 2023

通过 corrupt labels 设计的 label-only backdoor attack 方法 FLIP，在几个数据集和架构上展示了其强大的攻击能力，并且只引起 1.8% 的 clean test 准确度下降。

Oct, 2023

本文主要介绍了一种新的对抗性干净标签攻击方法，可通过对类内训练样本的对抗性扰动对训练集进行污染，同时发现一些之前文本领域仅用于标签翻转攻击的防御方法并不一定在清洗标签攻击中有效，因此需要文本特定的防御方法。

May, 2023

本论文提出了一种有效的深度 k-NN 策略作为可靠的防御干净标签攻击的方法，并在 CIFAR-10 数据集上展示了它的高检测准确性、识别出超过 99% 的攻击性样本并能有效地去除它们，同时无损模型性能。

Sep, 2019

数据污染攻击对于计算机网络领域的严重性进行了实证研究，发现 Label Flipping 攻击易于检测，而 Feature Poisoning 攻击难以被察觉，证明了后者在欺骗服务器方面的重要性。

Mar, 2024

本文针对使用支持向量机（SVM）进行垃圾邮件和恶意软件检测等安全相关任务时存在的安全问题进行了探究，特别是研究了 SVM 对面向标签噪声攻击的安全性，并通过启发式方法解决了攻击策略的最优化问题，并在合成和实际数据集上进行了广泛的实验分析。最后，本文还指出，这种方法也可以为开发更安全的 SVM 学习算法以及半监督和主动学习等相关研究领域提供有用的见解。

Jun, 2022

本文提出了一个新的机器学习算法来防御数据污染攻击，并通过随机平滑技术，构建了具有证明能力的线性分类器，可以高可信地抵御标签混淆攻击。此外，本文所提出的方法不需要对训练和测试数据集的分布作任何假设。

Feb, 2020