Adversary Aware Continual Learning（AACL）：抵御类增量学习对抗性后门攻击的防御框架

研究者提出 Adversary Aware Continual Learning（AACL）防御框架，抵御使类增量学习模型在测试时遗忘特定任务或类别的对抗性后门攻击。该框架在训练中学习可感知的更强模式，压制攻击者注入的不可察觉后门模式，且无需知道攻击者的目标任务、目标类别及后门模式的形状、大小和位置。防御效果已在基于重放的类增量学习算法及 CIFAR-10、CIFAR-100、MNIST 的持续学习基准变体上得到验证。