Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
From Adversarial Learning to Reliable and Scalable Learning
Übersetzter Titel:
Vom Kontradikorischen Lernen zum Gesicherten und Skalierbaren Lernen
Autor:
Xiao, Han
Jahr:
2015
Dokumenttyp:
Dissertation
Fakultät/School:
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.
WWW:
https://mediatum.ub.tum.de/?id=1227668
Eingereicht am:
14.08.2014
Mündliche Prüfung:
30.04.2015
Dateigröße:
6582871 bytes
Seiten:
194
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20150430-1227668-1-8
Letzte Änderung:
17.06.2015
 BibTeX