PureVQ-GAN：通过向量量化瓶颈防御数据投毒攻击
PUREVQ-GAN: Defending Data Poisoning Attacks through Vector-Quantized Bottlenecks
AI总结：
提出 PureVQ-GAN，通过向量量化离散瓶颈和 GAN 判别器消除后门触发器，在 CIFAR-10 上以极低投毒成功率、高干净准确率和超过 50 倍加速实现数据投毒防御。
摘要：
我们提出 PureVQ-GAN，这是一种针对数据投毒的防御方法，它利用带 GAN 判别器的向量量化 VAE，迫使后门触发器经过离散瓶颈。通过使用学习到的码本对投毒图像进行量化，PureVQ-GAN 在保留语义内容的同时破坏细粒度触发器模式。GAN 判别器确保输出符合自然图像分布，防止重建分布外扰动。在 CIFAR-10 上，PureVQ-GAN 对 Gradient Matching 和 Bullseye Polytope 攻击实现 0% 投毒成功率（PSR），对 Narcissus 攻击实现 1.64% 的投毒成功率，同时保持 91–95% 的干净准确率。与需要数百次迭代细化步骤的基于扩散的防御方法不同，PureVQ-GAN 的速度提升超过 50 倍，使其适用于实际训练流程。
英文摘要：
We introduce PureVQ-GAN, a defense against data poisoning that forces backdoor triggers through a discrete bottleneck using Vector-Quantized VAE with GAN discriminator. By quantizing poisoned images through a learned codebook, PureVQ-GAN destroys fine-grained trigger patterns while preserving semantic content. A GAN discriminator ensures outputs match the natural image distribution, preventing reconstruction of out-of-distribution perturbations. On CIFAR-10, PureVQ-GAN achieves 0% poison success rate (PSR) against Gradient Matching and Bullseye Polytope attacks, and 1.64% against Narcissus while maintaining 91-95% clean accuracy. Unlike diffusion-based defenses requiring hundreds of iterative refinement steps, PureVQ-GAN is over 50x faster, making it practical for real training pipelines.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
