Benutzer: Gast  Login
Originaltitel:
From Adversarial Learning to Reliable and Scalable Learning 
Übersetzter Titel:
Vom Kontradikorischen Lernen zum Gesicherten und Skalierbaren Lernen 
Jahr:
2015 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Eckert, Claudia (Prof. Dr.) 
Gutachter:
Eckert, Claudia (Prof. Dr.); Cremers, Daniel (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
Stichworte:
adversarial learning, robust learning, kernel method, online learning 
TU-Systematik:
DAT 460d; DAT 050d 
Kurzfassung:
Machine learning is considered as a vital tool for data analysis and decision making in enterprise systems. There is an emerging threat that adversaries can mislead the decision of learning algorithms. Previous security research did not examine the vulnerabilities of learning algorithms. This dissertation provides an insight of these threats, and develops robust learning algorithms for security-sensitive applications. 
Übersetzte Kurzfassung:
Machinelles Lernen stellt heutzutage ein essentielles Tool für die Datenanlyse in modernen Enterprisesystemen dar. Dadurch ergeben sich jedoch auch neuartige Angriffsvektoren. Besonders kritisch ist dabei, dass Angreifer durch das Ausnützen von Sicherheitslücken den Lernalgorithmus gezielt in die Irre führen können. In dieser Dissertation wurde ein tiefes Verständnis dieser Angriffsmöglichkeiten erbracht und diverse robuste Lernverfahren für sicherheitskritische Anwendungen entwickelt. 
Mündliche Prüfung:
30.04.2015 
Dateigröße:
6582871 bytes 
Seiten:
194 
Letzte Änderung:
17.06.2015