Buchumschlag

Understanding Data Importance in Machine Learning Attacks: Does Valuable Data Pose Greater Harm?

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wen, Rui, Backes, Michael, Zhang, Yang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

SoK: Data Reconstruction Attacks Against Machine Learning Models: Definition, Metrics, and Benchmark
von: Wen, Rui, et al.
Veröffentlicht: (2025)

Instruction Backdoor Attacks Against Customized LLMs
von: Zhang, Rui, et al.
Veröffentlicht: (2024)

Vera Verto: Multimodal Hijacking Attack
von: Zhang, Minxing, et al.
Veröffentlicht: (2024)

Transferable Availability Poisoning Attacks
von: Liu, Yiyong, et al.
Veröffentlicht: (2023)

Voice Jailbreak Attacks Against GPT-4o
von: Shen, Xinyue, et al.
Veröffentlicht: (2024)

Excessive Reasoning Attack on Reasoning LLMs
von: Si, Wai Man, et al.
Veröffentlicht: (2025)

Prompt Stealing Attacks Against Text-to-Image Generation Models
von: Shen, Xinyue, et al.
Veröffentlicht: (2023)

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, et al.
Veröffentlicht: (2025)

Efficient Jailbreaking of Large Models by Freeze Training: Lower Layers Exhibit Greater Sensitivity to Harmful Content
von: Shen, Hongyuan, et al.
Veröffentlicht: (2025)

MGTBench: Benchmarking Machine-Generated Text Detection
von: He, Xinlei, et al.
Veröffentlicht: (2023)

Generated Data with Fake Privacy: Hidden Dangers of Fine-tuning Large Language Models on Generated Data
von: Akkus, Atilla, et al.
Veröffentlicht: (2024)

SOS! Soft Prompt Attack Against Open-Source Large Language Models
von: Yang, Ziqing, et al.
Veröffentlicht: (2024)

Link Stealing Attacks Against Inductive Graph Neural Networks
von: Wu, Yixin, et al.
Veröffentlicht: (2024)

Synthetic Artifact Auditing: Tracing LLM-Generated Synthetic Data Usage in Downstream Applications
von: Wu, Yixin, et al.
Veröffentlicht: (2025)

Learning to Attack: Uncovering Privacy Risks in Sequential Data Releases
von: Cui, Ziyao, et al.
Veröffentlicht: (2025)

HashVFL: Defending Against Data Reconstruction Attacks in Vertical Federated Learning
von: Qiu, Pengyu, et al.
Veröffentlicht: (2022)

Composite Backdoor Attacks Against Large Language Models
von: Huang, Hai, et al.
Veröffentlicht: (2023)

Survey of Security and Data Attacks on Machine Unlearning In Financial and E-Commerce
von: Brodzinski, Carl E. J.
Veröffentlicht: (2024)

Byzantine Failures Harm the Generalization of Robust Distributed Learning Algorithms More Than Data Poisoning
von: Boudou, Thomas, et al.
Veröffentlicht: (2025)

Approaching the Harm of Gradient Attacks While Only Flipping Labels
von: El-Kabid, Abdessamad, et al.
Veröffentlicht: (2025)

SPARD: Defending Harmful Fine-Tuning Attack via Safety Projection with Relevance-Diversity Data Selection
von: Chen, Shuhao, et al.
Veröffentlicht: (2026)

Does Training with Synthetic Data Truly Protect Privacy?
von: Zhao, Yunpeng, et al.
Veröffentlicht: (2025)

MISLEAD: Manipulating Importance of Selected features for Learning Epsilon in Evasion Attack Deception
von: Khazanchi, Vidit, et al.
Veröffentlicht: (2024)

Image-Perfect Imperfections: Safety, Bias, and Authenticity in the Shadow of Text-To-Image Model Evolution
von: Wu, Yixin, et al.
Veröffentlicht: (2024)

When GPT Spills the Tea: Comprehensive Assessment of Knowledge File Leakage in GPTs
von: Shen, Xinyue, et al.
Veröffentlicht: (2025)

On the Out-of-Distribution Backdoor Attack for Federated Learning
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

Efficient Data-Free Model Stealing with Label Diversity
von: Liu, Yiyong, et al.
Veröffentlicht: (2024)

Decaf: Data Distribution Decompose Attack against Federated Learning
von: Dai, Zhiyang, et al.
Veröffentlicht: (2024)

URVFL: Undetectable Data Reconstruction Attack on Vertical Federated Learning
von: Yao, Duanyi, et al.
Veröffentlicht: (2024)

Sybil-based Virtual Data Poisoning Attacks in Federated Learning
von: Zhu, Changxun, et al.
Veröffentlicht: (2025)

SoK: Data Minimization in Machine Learning
von: Staab, Robin, et al.
Veröffentlicht: (2025)

Data Overvaluation Attack and Truthful Data Valuation in Federated Learning
von: Zheng, Shuyuan, et al.
Veröffentlicht: (2025)

Refiner: Data Refining against Gradient Leakage Attacks in Federated Learning
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Membership Inference Attacks Against In-Context Learning
von: Wen, Rui, et al.
Veröffentlicht: (2024)

Provable Watermarking for Data Poisoning Attacks
von: Zhu, Yifan, et al.
Veröffentlicht: (2025)

Indiscriminate Data Poisoning Attacks on Pre-trained Feature Extractors
von: Lu, Yiwei, et al.
Veröffentlicht: (2024)

Machine Learning for Blockchain Data Analysis: Progress and Opportunities
von: Azad, Poupak, et al.
Veröffentlicht: (2024)

Attesting Distributional Properties of Training Data for Machine Learning
von: Duddu, Vasisht, et al.
Veröffentlicht: (2023)

Harmless Yet Harmful: Neutral Prompting Attacks for Stealthy Hallucination Steering in Agent Skills
von: Hsu, Chia-Yi, et al.
Veröffentlicht: (2026)

Decentralised, Collaborative, and Privacy-preserving Machine Learning for Multi-Hospital Data
von: Fang, Congyu, et al.
Veröffentlicht: (2024)