User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Adversarial and Secure Machine Learning
Translated title:
Feindliches und sicheres maschinelles Lernen
Author:
Xiao, Huang
Year:
2017
Document type:
Dissertation
Faculty/School:
Fakultät für Informatik
Advisor:
Eckert, Claudia (Prof. Dr.)
Referee:
Eckert, Claudia (Prof. Dr.); Roli, Fabio (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
TUM classification:
DAT 460d; DAT 050d
Abstract:
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.
Translated abstract:
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.
WWW:
https://mediatum.ub.tum.de/?id=1335448
Date of submission:
27.10.2016
Oral examination:
05.05.2017
File size:
7002565 bytes
Pages:
153
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20170505-1335448-1-0
Last change:
18.05.2017
 BibTeX