Login
Original title:
From Adversarial Learning to Reliable and Scalable Learning
Translated title:
Vom Kontradikorischen Lernen zum Gesicherten und Skalierbaren Lernen
Author:
Year:
2015
Document type:
Dissertation
Institution:
Fakultät für Informatik
Advisor:
Eckert, Claudia (Prof. Dr.)
Referee:
Eckert, Claudia (Prof. Dr.); Cremers, Daniel (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
adversarial learning, robust learning, kernel method, online learning
TUM classification:
DAT 460d; DAT 050d
Abstract:
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.
Translated abstract:
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.
Date of submission:
14.08.2014
Oral examination:
30.04.2015
File size:
6582871 bytes
Pages:
194
Last change:
17.06.2015
BibTeX