Dioptra Test Platform

NIST Chemistry WebBook2024-07-24 更新2026-03-14 收录

机器学习模型鲁棒性测试

对抗性防御

数据链接：

https://data.nist.gov/od/id/mds2-3398 数据链接链接失效反馈

官方服务：

资源简介：

Source code, documentation, and examples of use of the source code for the Dioptra Test Platform.

Adversarial Patch Defense Evaluation (APDE)

计算机视觉

对抗性防御

APDE数据集是针对目标检测器的对抗性补丁防御评估的大型数据集，包含94种类型的补丁和94000张图片。该数据集由西安交通大学、香港城市大学和武汉大学的研究团队创建，旨在提供一个统一的对抗性补丁防御评估框架，解决现有防御评估方法的不足。数据集包含多种补丁类型和攻击方法，可以帮助研究者评估和改进现有的防御模型。该数据集可用于训练和评估防御模型，以提高其鲁棒性和泛化能力。

arXiv2025-08-01 更新1190

毫米波成像对抗攻击数据集

毫米波成像

对抗性防御

该数据集由宾汉姆顿大学与美国空军研究实验室联合构建，包含真实测量的清洁波形与对抗攻击波形数据，用于评估毫米波成像算法在物理信号域攻击下的鲁棒性。数据集通过毫米波成像测试平台采集，涵盖多种攻击策略下的波形样本，支持10种代表性成像算法的对抗性测试。其创建过程涉及合成孔径雷达原理与梯度优化的对抗波形设计，主要应用于安检安防领域，旨在揭示高分辨率近场毫米波成像系统的安全漏洞并推动防御机制研究。

arXiv2026-04-23 更新130

puyang2025/Poisoning_Resilient_Federated_Learning_Playground

联邦学习安全

对抗性防御

--- license: mit ---

Hugging Face2026-05-01 更新110

上亿级神经网络对抗防御数据集（查询请求）

对抗性防御

深度神经网络

本数据集面向大规模深度神经网络的对抗鲁棒性研究构建。深度神经网络在多个领域展现出卓越性能，但其存在的对抗样本脆弱性严重威胁模型安全性。本研究针对黑盒查询攻击场景，提出一种简单有效的对抗防御算法，并在视觉Transformer架构ViT-L-16上进行验证。实验结果表明，该防御机制可显著提升模型鲁棒性，与无防御基准相比，攻击成功所需的平均查询次数显著增加逾8000次（Square Attack基准测

国家基础学科公共科学数据中心240

上亿级神经网络对抗防御数据集（攻击样本扰动率）

对抗性防御

模型鲁棒性

本数据集面向多模态对比学习模型鲁棒性提升研究，特别针对后门攻击威胁，提出并验证了一种基于对抗训练与数据清理的鲁棒图像-文本对齐防御算法。通过使用清洁的 ImageNet1K 数据集对中毒的 CLIP 模型进行微调，显著提升模型在对抗样本上的鲁棒性。实验结果表明，防御后模型的攻击样本扰动率提升超过10%，相比未防御模型提升超过6%。本数据集涵盖原始、投毒、防御三类 CLIP 模型及其对应的训练数据、

国家基础学科公共科学数据中心130

Dioptra Test Platform

资源简介：

相关数据集