本文针对移动设备处理器开展了基于海绵毒化攻击的深度学习攻击，并通过实验发现其可以有效地污染现代处理器的内置加速器，并分析了海绵毒化算法中不同因素的影响，并强调了需要改进防御机制以防止此类攻击。

May, 2023

本文介绍了一种利用对抗攻击对神经网络进行针对能源和决策延迟的攻击，该攻击构造出能够最大化能源消耗和延迟决策的输入，可对成熟的视觉和语言模型进行攻击，并探讨了从平均情况到最坏情况的硬件能源消耗分析的防御策略。

Jun, 2020

本论文研究了在机器学习算法中，特别是深度神经网络中毒攻击的方法，提出了生成毒瘤数据的生成方法，并设计了一种检测方法来检测这种攻击。实验结果表明，与直接梯度法相比，这种方法可以加速毒瘤数据的生成速度高达 239.38 倍，且模型的准确度下降略微较低。

Mar, 2017

本文介绍了一种新的生成模型，用于对机器学习分类器进行攻击，并提出了一种生成式对抗网络，包括生成器、鉴别器和目标分类器，以模拟在现实攻击中可以预期的检测限制，进而确定底层数据分布的易受数据中毒攻击的区域。

Jun, 2019

本文探讨在机器学习模型中的数据污染问题，提出了基于优化的毒化方法和一种水印策略，并使用含有毒素的图片控制了图像分类器的行为。

Apr, 2018

本文介绍了一种主动防御机制，针对深度神经网络模型窃取攻击进行干扰预测的方法，可有效应对多种难缠的数据集和攻击类型，并且表现出更优越的效果。

Jun, 2019

本研究介绍了一种新的 “多面体攻击” 方式，其中毒害图像被设计成包围目标图像特征空间，使用 dropout 方法帮助提高攻击的可转移性，成功率超过 50％，仅污染了训练集的 1％，并可在没有访问受害者网络输出、架构或（在某些情况下）训练数据的情况下实现攻击。

May, 2019

提出了一种鲁棒性和隐秘性很高的后门攻击方法 ——“毒墨水”。该方法利用图像结构作为目标污染区域，并将其填充信息来生成触发模式，使用深度注入网络将其嵌入到封面图像中，这种触发模式天然具有抵御数据转换的鲁棒性。经过广泛实验，我们证明了 “毒墨水” 不仅适用于不同的数据集和网络架构，而且对许多最先进的防御技术具有非常强的抵抗力。

Aug, 2021

本文提出了一种基于过滤和更新策略的深度神经网络反向攻击样本优化方法，从而提高了毒化数据的效率。通过在 CIFAR-10 和 ImageNet-10 数据集上的实验结果验证了该方法的有效性。

Apr, 2022

本文主要介绍了第一项针对属性通用图的对抗攻击研究，特别关注利用图卷积思想的模型，在针对测试及训练阶段的攻击中生成针对节点特征和图结构的对抗扰动，并确保这些扰动在保存重要数据特征的同时，不被察觉，旨在帮助更好地理解和缓解目前深度学习模型在对抗环境下的不足。

May, 2018