Empirical overhead comparison between backdoor attack methods.

Figshare2025-12-08 更新2026-04-28 收录

数据链接：

https://figshare.com/articles/dataset/Empirical_overhead_comparison_between_backdoor_attack_methods_/30825532 数据链接链接失效反馈

官方服务：

资源简介：

Empirical overhead comparison between backdoor attack methods.

创建时间：

2025-12-08

NIPS 2017: Adversarial Learning Development Set 对抗学习开发套件：对抗学习挑战中使用的开发图像

机器学习安全

对抗性训练

现有的大多数机械学习分类器极易受到对抗性示例的攻击，为了加速对对抗性示例的研究，Google Brain正在NIPS 2017竞赛轨道内组织对抗性示例和防御竞赛。该数据集包含该比赛的发展图像。

阿里云天池2026-07-13 更新1010

AutoAdvExBench

机器学习安全

对抗样本防御

AutoAdvExBench是一个用于评估大型语言模型是否能自主利用对抗样本防御的基准。该数据集包含了51个真实世界的对抗样本防御实现，由ETH Zurich的研究人员创建。数据集涵盖了从arXiv抓取的论文中筛选出的与对抗机器学习相关的防御方法，并通过手动筛选确保了防御方法的多样性和可复现性。数据集旨在解决机器学习安全领域中的实际问题，为评估AI模型在对抗机器学习研究中的应用提供了一种新的、直接

arXiv2025-03-04 更新560

Black Box Attack Dataset

机器学习安全

黑盒攻击

Black box attack on ML assisted wide area monitoring and protection systems

kaggle2021-05-10 更新150

LLMail-Inject

电子邮件安全认证

机器学习安全

LLMail-Inject是一个公共挑战数据集，模拟了一个真实的场景，参与者尝试适应性地将恶意指令注入电子邮件中，以触发LLM电子邮件助手中的未授权工具调用。该挑战涉及多种防御策略、LLM架构和检索配置，共有839名参与者提交了208,095个独特的攻击。该数据集为未来防御研究提供了新的见解，旨在解决指令数据分离问题。

arXiv2025-06-12 更新770

BOSC_Synthetic_Image_Attribution

图像归因

机器学习安全

This is the official code for our paper 'BOSC: A Backdoor-based Framework for Open Set Synthetic Image Attribution' publised on TIFS'25.

魔搭社区2026-08-11 更新240