本文提出一种新的神经后门攻击技术，其中触发器从输入到输入不同，通过基于输入的触发器生成器和交叉触发器测试实现触发器不可重用性，成功规避当前防御方法，从而实现神经后门攻击的隐蔽性。

Oct, 2020

该论文研究了针对深度神经网络的后门攻击，并提出了通过改变触发器来防御后门攻击的方法。

Apr, 2020

利用预训练的语音转换模型生成基于样本的触发器，提高了语音后门攻击的效果和安全性。

Jun, 2023

本文研究深度神经网络（DNN）中的后门攻击，提出了一种新的攻击方法，生成样本特定且不可见的添加噪声作为后门触发器，证明了该方法可以有效地攻击有或无防御机制的模型。

Dec, 2020

通过操纵音频的风格属性来欺骗语音识别系统的策略性投资型后门攻击（MarketBack）被研究，实验结果表明，当污染少于 1％的训练数据时，MarketBack 在七个受害模型中可实现接近 100％的平均攻击成功率。

Jun, 2024

提出了一种名为 FlowMur 的隐蔽和实用的音频后门攻击方法，通过构建辅助数据集和代理模型，并优化触发器生成和数据污染过程，增强隐蔽性并提高攻击性能，从而成功实施了高效且难以被检测的后门攻击。

Dec, 2023

我们提出了一种新的灵活的触发器方法，利用生成触发器函数来实施偷偷摸摸的反向门攻击，以此来绕过联邦学习的防御机制。本文通过在真实数据集上进行的广泛实验验证了我们的攻击策略在分布式学习框架中的有效性和隐蔽性。

Aug, 2023

本研究提出了一种针对深度神经网络的动态后门技术，该技术具有随机模式和位置，其生成的触发器降低了当前后门检测机制的有效性，可很好地规避当前防御后门攻击的最先进机制，并在 MNIST、CelebA 和 CIFAR-10 数据集上取得了几乎完美的攻击结果，极小化实用性损失。

Mar, 2020

深度神经网络在面部伪造检测模型中显著提高了性能，但是其安全性受到注入触发器（即后门攻击）的威胁。为了进一步研究自然触发器，我们提出了一种基于合成分析的面部伪造检测模型后门攻击，将自然触发器嵌入潜在空间，并通过两个角度对此类后门漏洞进行了深入研究：（1）模型区分（基于优化的触发器）：我们采用替代检测模型并通过最小化交叉熵损失找到触发器；（2）数据分布（自定义触发器）：我们通过操纵长尾分布中的不常见面部属性来生成没有检测模型监督的污染样本。此外，为了对最新的人工智能生成内容进行全面评估，我们在触发器生成中使用了领先的 StyleGAN 和 Stable Diffusion。最后，这些后门触发器为生成的有毒样本引入了特定的语义特征（例如皮肤纹理和微笑），使其更自然、更健壮。大量实验证明我们的方法在三个层面上都具有优越性：（1）攻击成功率：我们的方法在攻击成功率方面表现出色（超过 99%），并且在低污染率（低于 3%）下模型准确性下降较小（低于 0.2%）；（2）后门防御：我们的方法在面对现有的后门防御方法时显示出更好的鲁棒性；（3）人工检查：通过综合用户研究，我们的方法对人视觉更不敏感。

Dec, 2023

本文提出通过嵌入本质隐形且难以检测的触发器进行的 NLP 背门攻击，该攻击能超过多项 NLP 任务，例如有害评论检测，机器翻译和问答系统，能在维持正常使用的正常用户的同时，在不经意间实施高成功率的攻击。

May, 2021