Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Integrity and Correctness of Machine Learning Data
Übersetzter Titel:
Integrität und Korrektheit von Machine Learning Daten
Autor:
Müller, Nicolas
Jahr:
2022
Dokumenttyp:
Dissertation
Fakultät/School:
TUM School of Computation, Information and Technology
Betreuer:
Eckert, Claudia (Prof. Dr.)
Gutachter:
Eckert, Claudia (Prof. Dr.); Pahl, Marc-Oliver (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
Stichworte:
machine learning, data, adversarial attacks, learning shortcuts
Übersetzte Stichworte:
maschinelles lernen, daten, adversarielle angriffe, learning shortcuts
TU-Systematik:
DAT 460; DAT 050
Kurzfassung:
Machine Learning relies on large sets of training data, but there are several threats to the correctness and integrity of such data: These range from mere labeling mistakes to adversarial attacks. We examine what influences compromise the integrity and correctness of ML datasets, and how this can be counteracted. In this thesis, we structure such threats and present appropriate mitigation strategies.
Übersetzte Kurzfassung:
Maschinelles Lernen beruht auf großen Mengen von Trainingsdaten, aber es gibt verschiedene Bedrohungen für die Korrektheit und Integrität dieser Daten: Diese reichen von einfachen Beschriftungsfehlern bis hin zu feindlichen Angriffen. Wir untersuchen, welche Einflüsse die Integrität und Korrektheit von ML-Datensätzen gefährden, und wie dem entgegengewirkt werden kann. In dieser Arbeit strukturieren wir solche Bedrohungen und stellen geeignete Abwehrstrategien vor.
WWW:
https://mediatum.ub.tum.de/?id=1662924
Eingereicht am:
04.07.2022
Mündliche Prüfung:
20.12.2022
Dateigröße:
10708458 bytes
Seiten:
142
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221220-1662924-1-0
Letzte Änderung:
20.01.2023
 BibTeX