该论文介绍了一种数据估值的框架，用于量化每个数据对特定机器学习模型的训练的贡献，并提出了2D-OOB，一种超出样本估计框架，用于检测和纠正细粒度异常值和定位数据毒化攻击中的后门触发器。

该文章讨论了机器学习系统中数据毒化攻击的问题，并提出了一种防御方法。该方法在MNIST-1-7和Dogfish数据集上表现出较强的防御能力，但在IMDB情感数据集上添加3%的毒化数据会导致测试误差上升至23%。

该文章讨论了对使用用户数据训练的机器学习系统进行数据毒化攻击的问题，并提出了一种防御方法。该方法在MNIST-1-7和Dogfish数据集上表现出较强的防御能力，但在IMDB情感数据集上加入3%的毒化数据会导致测试误差从12%提升至23%。

该文讨论了对使用用户提供数据训练的机器学习系统进行的数据毒化攻击问题，并提出了一种防御方法。在MNIST-1-7和Dogfish数据集上，该方法表现较好，但在IMDB情感数据集上，加入3%的毒化数据会导致测试误差从12%提升至23%。

本文讨论了机器学习系统中数据毒化攻击的问题，并提出了一种防御方法。该方法在MNIST-1-7和Dogfish数据集上表现出较强的防御能力，但在IMDB情感数据集上，添加3%的毒化数据会导致测试误差从12%提升至23%。