UNA NUEVA PERSPECTIVA

LATIDIA

Preparando tu experiencia…

Tu lugar en este universo.

Con tu autorización. Las coordenadas se muestran sólo en esta página y no se guardan.

CONECTANDO FUENTES
← Actualidad

LATIDIA · Ciberseguridad

SCR: Detección de muestras contaminadas por «backdoors» mediante residuos de referencia limpios

arXiv:2611.24558v1 Tipo de anuncio: cruzado Resumen: Las redes neuronales profundas son vulnerables a los ataques de «puerta trasera», en los que los adversarios manipulan las predicciones del modelo inyectando muestras contaminadas en los datos de entrenamiento. Detectar los

WhatsApp ↗Telegram ↗
Ilustración editorial relacionada con SCR: Detección de muestras contaminadas por «backdoors» mediante residuos de referencia limpios
Ilustración conceptual de LATIDIA.

La noticia

arXiv:2611.24558v1 Announce Type: cross Abstract: Deep neural networks are vulnerable to backdoor attacks, in which adversaries manipulate model predictions by injecting poisoned samples into training data. Detecting these samples remains challenging because legitimate semantic variation can obscure poisoning-related signals in learned representations. Consequently, class-level statistics used by existing detectors may flag benign feature deviations while overlooking poisoned samples that blend into the class distribution. In this paper, we propose Semantic Counterfactual Residualization (SCR), which uses a small set of clean reference samples to account for benign variation through sample-specific feature reconstruction. SCR identifies poisoned samples by detecting coherent deviations from these clean baselines, without requiring prior knowledge of the attacks.

← Volver a los modelos

Cargando ficha del modelo…

LATIDIA / lectura con contexto