Змагальне машинне навчання: атакуючі поверхні, механізми захисту, навчання

Критичним викликом у глибокому навчанні є вразливість мереж глибокого навчання до нападів безпеки від інтелектуальних кібер -супротивників. Навіть невинні збурення до навчальних даних можуть бути використані для маніпулювання поведінкою глибоких мереж ненавмисно. У цій книзі ми переглядаємо останню розробку в галузі змагальних технологій атаки в комп'ютерному зорі; Обробка природної мови; Та кібербезпека щодо багатовимірних, текстових та даних зображень, даних про послідовність та тимчасових даних. У свою чергу, ми оцінюємо властивості надійності мереж глибокого навчання для створення систематики змагальних прикладів, які характеризують безпеку систем навчання за допомогою теоретичних алгоритмів глибокого навчання. Також переглядається найсучасніший у змагальних механізмах захисту конфіденційності. Кількісне визначення властивості гіпотези, встановленої у проблемах з рішенням нашого дослідження, призводить до різних функціональних проблем, оракулярних проблем, завдань вибірки та проблем оптимізації. Ми також звертаємось до механізмів оборони, які в даний час доступні для моделей глибокого навчання, розміщених у реальних умовах. Теорії навчання, що використовуються в цих механізмах оборони, стосуються репресій даних, маніпуляцій з функціями, витратами на неправильну класифікацію, ландшафтів чутливості, стійкості розподілу та класів складності змагань з глибоким навчанням та повітрям Програми. Програми, що стосуються деконструкції сучасних змагальних дизайнів глибокого навчання. Враховуючи свою сферу, книга буде зацікавленим для змагальних практикуючих машинного навчання [...]

• Автор: Aneesh Sreevallabh Chivukula, Xinghao Yang
• видавець: springer
• Рік публікації: 2024
• обкладинка: м’яка
• Кількість сторінок: 302
• Розміри: 23,5 х 15,5 х 0 см
• Ілюстрації: xix, 302 с.
• Мова: англійська
• ISBN: 9783030997748