Buchumschlag

Phantom Transfer: Data-level Defences are Insufficient Against Data Poisoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Draganov, Andrew, Dur, Tolga H., Bhongade, Anandmayi, Phuong, Mary
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

LLMs Can Covertly Sandbag on Capability Evaluations Against Chain-of-Thought Monitoring
von: Li, Chloe, et al.
Veröffentlicht: (2025)

Shadowcast: Stealthy Data Poisoning Attacks Against Vision-Language Models
von: Xu, Yuancheng, et al.
Veröffentlicht: (2024)

How Reliable Are AI Attackers Against a Fixed Vulnerable Target? A 400-Run Empirical Study of LLM Penetration Testing Consistency
von: Erdem, Galip Tolga
Veröffentlicht: (2026)

Data Poisoning in Deep Learning: A Survey
von: Zhao, Pinlong, et al.
Veröffentlicht: (2025)

Defending Against Beta Poisoning Attacks in Machine Learning Models
von: Gulciftci, Nilufer, et al.
Veröffentlicht: (2025)

Turning Generative Models Degenerate: The Power of Data Poisoning Attacks
von: Jiang, Shuli, et al.
Veröffentlicht: (2024)

When and Where do Data Poisons Attack Textual Inversion?
von: Styborski, Jeremy, et al.
Veröffentlicht: (2025)

CBPF: Filtering Poisoned Data Based on Composite Backdoor Attack
von: Xia, Hanfeng, et al.
Veröffentlicht: (2024)

Have You Poisoned My Data? Defending Neural Networks against Data Poisoning
von: De Gaspari, Fabio, et al.
Veröffentlicht: (2024)

Be Kind, Rewrite: Benign Projections via Rewriting Defend Against LLM Data Poisoning Attacks
von: Halloran, John T., et al.
Veröffentlicht: (2026)

Through the Stealth Lens: Attention-Aware Defenses Against Poisoning in RAG
von: Choudhary, Sarthak, et al.
Veröffentlicht: (2025)

FIDELIS: Blockchain-Enabled Protection Against Poisoning Attacks in Federated Learning
von: Carney, Jane, et al.
Veröffentlicht: (2025)

Precision Guided Approach to Mitigate Data Poisoning Attacks in Federated Learning
von: Kumar, K Naveen, et al.
Veröffentlicht: (2024)

Vulnerabilities in AI Code Generators: Exploring Targeted Data Poisoning Attacks
von: Cotroneo, Domenico, et al.
Veröffentlicht: (2023)

PoisonBench: Assessing Large Language Model Vulnerability to Data Poisoning
von: Fu, Tingchen, et al.
Veröffentlicht: (2024)

Scaling Trends for Data Poisoning in LLMs
von: Bowen, Dillon, et al.
Veröffentlicht: (2024)

Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks
von: Xie, Chulin, et al.
Veröffentlicht: (2022)

Addressing The Devastating Effects Of Single-Task Data Poisoning In Exemplar-Free Continual Learning
von: Pawlak, Stanisław, et al.
Veröffentlicht: (2025)

Data Poisoning Vulnerabilities Across Healthcare AI Architectures: A Security Threat Analysis
von: Abtahi, Farhad, et al.
Veröffentlicht: (2025)

Robustness Analysis of Machine Learning Models for IoT Intrusion Detection Under Data Poisoning Attacks
von: Wulnye, Fortunatus Aabangbio, et al.
Veröffentlicht: (2026)

Building Better Environments for Autonomous Cyber Defence
von: Hicks, Chris, et al.
Veröffentlicht: (2026)

SuperLocalMemory: Privacy-Preserving Multi-Agent Memory with Bayesian Trust Defense Against Memory Poisoning
von: Bhardwaj, Varun Pratap
Veröffentlicht: (2026)

Poisoned Acoustics
von: Dahme, Harrison
Veröffentlicht: (2026)

The Stronger the Diffusion Model, the Easier the Backdoor: Data Poisoning to Induce Copyright Breaches Without Adjusting Finetuning Pipeline
von: Wang, Haonan, et al.
Veröffentlicht: (2024)

PID: Prompt-Independent Data Protection Against Latent Diffusion Models
von: Li, Ang, et al.
Veröffentlicht: (2024)

Data to Defense: The Role of Curation in Customizing LLMs Against Jailbreaking Attacks
von: Liu, Xiaoqun, et al.
Veröffentlicht: (2024)

Data Poisoning Attacks on Off-Policy Policy Evaluation Methods
von: Lobo, Elita, et al.
Veröffentlicht: (2024)

Poison Once, Exploit Forever: Environment-Injected Memory Poisoning Attacks on Web Agents
von: Zou, Wei, et al.
Veröffentlicht: (2026)

Reasoning-Style Poisoning of LLM Agents via Stealthy Style Transfer: Process-Level Attacks and Runtime Monitoring in RSV Space
von: Zhou, Xingfu, et al.
Veröffentlicht: (2025)

Supply-Chain Poisoning Attacks Against LLM Coding Agent Skill Ecosystems
von: Qu, Yubin, et al.
Veröffentlicht: (2026)

Defending Against Weight-Poisoning Backdoor Attacks for Parameter-Efficient Fine-Tuning
von: Zhao, Shuai, et al.
Veröffentlicht: (2024)

Persistent Pre-Training Poisoning of LLMs
von: Zhang, Yiming, et al.
Veröffentlicht: (2024)

On The Dangers of Poisoned LLMs In Security Automation
von: Karlsen, Patrick, et al.
Veröffentlicht: (2025)

FedNIA: Noise-Induced Activation Analysis for Mitigating Data Poisoning in FL
von: Hallaji, Ehsan, et al.
Veröffentlicht: (2025)

Concealing Backdoor Model Updates in Federated Learning by Trigger-Optimized Data Poisoning
von: Zhang, Yujie, et al.
Veröffentlicht: (2024)

CSC: Turning the Adversary's Poison against Itself
von: Shi, Yuchen, et al.
Veröffentlicht: (2026)

Virus Infection Attack on LLMs: Your Poisoning Can Spread "VIA" Synthetic Data
von: Liang, Zi, et al.
Veröffentlicht: (2025)

SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization
von: Singampalli, Akhil, et al.
Veröffentlicht: (2024)

LoopTrap: Termination Poisoning Attacks on LLM Agents
von: Xu, Huiyu, et al.
Veröffentlicht: (2026)

Poison to Detect: Detection of Targeted Overfitting in Federated Learning
von: Mestari, Soumia Zohra El, et al.
Veröffentlicht: (2025)