上亿级神经网络对抗防御数据集（攻击样本扰动率）
收藏国家基础学科公共科学数据中心2026-01-30 收录
官方服务：
资源简介：
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、测试标签与评估结果，为对比学习模型的安全性评估和鲁棒性验证提供实验基础。
提供机构：
中国科学院信息工程研究所搜集汇总
数据集介绍
背景与挑战
背景概述
该数据集专注于多模态对比学习模型的鲁棒性提升研究，针对后门攻击威胁，通过对抗训练与数据清理算法增强CLIP模型的防御能力。实验表明，防御后模型的攻击样本扰动率提升超过10%，数据集包含原始、投毒和防御三类模型及其训练数据、测试标签与评估结果，为模型安全性评估提供实验基础。
以上内容由遇见数据集搜集并总结生成
