Buchumschlag

Intriguing Properties of Adversarial ML Attacks in the Problem Space [Extended Version]

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cortellazzi, Jacopo, Pendlebury, Feargus, Arp, Daniel, Quiring, Erwin, Pierazzi, Fabio, Cavallaro, Lorenzo
Format:	Preprint
Veröffentlicht:	2019
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

TESSERACT: Eliminating Experimental Bias in Malware Classification across Space and Time (Extended Version)
von: Kan, Zeliang, et al.
Veröffentlicht: (2024)

On the Effectiveness of Adversarial Training on Malware Classifiers
von: Bostani, Hamid, et al.
Veröffentlicht: (2024)

Transcending Transcend: Revisiting Malware Classification in the Presence of Concept Drift
von: Barbero, Federico, et al.
Veröffentlicht: (2020)

How to Train your Antivirus: RL-based Hardening through the Problem-Space
von: Tsingenopoulos, Ilias, et al.
Veröffentlicht: (2024)

ML-Based Behavioral Malware Detection Is Far From a Solved Problem
von: Kaya, Yigitcan, et al.
Veröffentlicht: (2024)

Beyond the TESSERACT:Trustworthy Dataset Curation for Sound Evaluations of Android Malware Classifiers
von: Chow, Theo, et al.
Veröffentlicht: (2025)

Unraveling the Key of Machine Learning-based Android Malware Detection
von: Liu, Jiahao, et al.
Veröffentlicht: (2024)

Defending against Adversarial Malware Attacks on ML-based Android Malware Detection Systems
von: He, Ping, et al.
Veröffentlicht: (2025)

The Impact of Uniform Inputs on Activation Sparsity and Energy-Latency Attacks in Computer Vision
von: Müller, Andreas, et al.
Veröffentlicht: (2024)

KnowML: Improving Generalization of ML-NIDS with Attack Knowledge Graphs
von: Guo, Xin Fan, et al.
Veröffentlicht: (2025)

On the Detection of Image-Scaling Attacks in Machine Learning
von: Quiring, Erwin, et al.
Veröffentlicht: (2023)

Unveiling ECC Vulnerabilities: LSTM Networks for Operation Recognition in Side-Channel Attacks
von: Battistello, Alberto, et al.
Veröffentlicht: (2025)

The Adaptive Arms Race: Redefining Robustness in AI Security
von: Tsingenopoulos, Ilias, et al.
Veröffentlicht: (2023)

Enhancing Trustworthiness in ML-Based Network Intrusion Detection with Uncertainty Quantification
von: Talpini, Jacopo, et al.
Veröffentlicht: (2023)

Adversarial ML Problems Are Getting Harder to Solve and to Evaluate
von: Rando, Javier, et al.
Veröffentlicht: (2025)

Development of an Edge Resilient ML Ensemble to Tolerate ICS Adversarial Attacks
von: Yao, Likai, et al.
Veröffentlicht: (2024)

Generalization Properties of Adversarial Training for $\ell_0$-Bounded Adversarial Attacks
von: Delgosha, Payam, et al.
Veröffentlicht: (2024)

Sparse Autoencoders are Capable LLM Jailbreak Mitigators
von: Assogba, Yannick, et al.
Veröffentlicht: (2026)

Evaluating Adversarial Attacks on Federated Learning for Temperature Forecasting
von: Chichifoi, Karina, et al.
Veröffentlicht: (2025)

A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2026)

I still know it's you! On Challenges in Anonymizing Source Code
von: Horlboge, Micha, et al.
Veröffentlicht: (2022)

Taking off the Rose-Tinted Glasses: A Critical Look at Adversarial ML Through the Lens of Evasion Attacks
von: Eykholt, Kevin, et al.
Veröffentlicht: (2024)

Enhancing Adversarial Attacks via Parameter Adaptive Adversarial Attack
von: Jin, Zhibo, et al.
Veröffentlicht: (2024)

Adversarial Attacks on Graph Neural Networks via Meta Learning
von: Zügner, Daniel, et al.
Veröffentlicht: (2019)

Frequency maps reveal the correlation between Adversarial Attacks and Implicit Bias
von: Basile, Lorenzo, et al.
Veröffentlicht: (2023)

DRMD: Deep Reinforcement Learning for Malware Detection under Concept Drift
von: McFadden, Shae, et al.
Veröffentlicht: (2025)

Demystifying the Mythos or Disrupting Bugonomics? From Zero-Day Asymmetry to Defender Remediation Throughput
von: Pesoli, Alfredo, et al.
Veröffentlicht: (2026)

SoK: The Pitfalls of Deep Reinforcement Learning for Cybersecurity
von: McFadden, Shae, et al.
Veröffentlicht: (2026)

Improving ML Attacks on LWE with Data Repetition and Stepwise Regression
von: Alfarano, Alberto, et al.
Veröffentlicht: (2026)

Robustness Against Adversarial Attacks via Learning Confined Adversarial Polytopes
von: Hamidi, Shayan Mohajer, et al.
Veröffentlicht: (2024)

Calibration Attacks: A Comprehensive Study of Adversarial Attacks on Model Confidence
von: Obadinma, Stephen, et al.
Veröffentlicht: (2024)

Attack by Unlearning: Unlearning-Induced Adversarial Attacks on Graph Neural Networks
von: Zhang, Jiahao, et al.
Veröffentlicht: (2026)

A Novel Perturb-ability Score to Mitigate Evasion Adversarial Attacks on Flow-Based ML-NIDS
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2024)

Explainable and Transferable Adversarial Attack for ML-Based Network Intrusion Detectors
von: Zhang, Hangsheng, et al.
Veröffentlicht: (2024)

Towards Reliable and Generalizable Differentially Private Machine Learning (Extended Version)
von: Bao, Wenxuan, et al.
Veröffentlicht: (2025)

Context is the Key: Backdoor Attacks for In-Context Learning with Vision Transformers
von: Abad, Gorka, et al.
Veröffentlicht: (2024)

Adversarial Contrastive Learning for LLM Quantization Attacks
von: Song, Dinghong, et al.
Veröffentlicht: (2026)

Temporal Analysis of Adversarial Attacks in Federated Learning
von: Mapakshi, Rohit, et al.
Veröffentlicht: (2025)

Efficient Adversarial Training in LLMs with Continuous Attacks
von: Xhonneux, Sophie, et al.
Veröffentlicht: (2024)

Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning
von: Hasan, Syed Mhamudul, et al.
Veröffentlicht: (2024)