Benutzer: Gast  Login
Originaltitel:
Adversarial and Secure Machine Learning 
Übersetzter Titel:
Feindliches und sicheres maschinelles Lernen 
Jahr:
2017 
Dokumenttyp:
Dissertation 
Institution:
Fakultät für Informatik 
Betreuer:
Eckert, Claudia (Prof. Dr.) 
Gutachter:
Eckert, Claudia (Prof. Dr.); Roli, Fabio (Prof. Dr.) 
Sprache:
en 
Fachgebiet:
DAT Datenverarbeitung, Informatik 
TU-Systematik:
DAT 460d; DAT 050d 
Kurzfassung:
We present the state-of-art study of a recent emerging research area named as Adversarial Machine Learning, it investigates the vulnerabilities of current learning algorithms from the perspective of an adversary. We show that several state-of-art learning systems are intrinsically vulnerable under carefully designed adversarial attacks. Moreover, we suggest countermeasures against adversarial actions, which inspire discussion of constructing more secure and robust learning algorithms. 
Übersetzte Kurzfassung:
Wir präsentieren die aktuelle Studie eines neu auftauchenden Forschungsgebiets mit dem Titel Feindliche Maschinelles Lernen, es untersucht die Anfälligkeiten der aktuellen Lernalgorithmen aus der Perspektive eines Gegners. Wir zeigen, dass mehrere modernste Lernsysteme, unter sorgfältig entworfenen feindliche Angriffe, anfällig sind. Darüber hinaus schlagen wir Gegenmaßnahmen gegen Angriffen vor. Und dann werden Diskussionen zum Aufbau sicherer und stabiler Lernalgorithmen angeregt. 
Mündliche Prüfung:
05.05.2017 
Dateigröße:
7002565 bytes 
Seiten:
153 
Letzte Änderung:
18.05.2017