User: Guest  Login
If you experience problems opening the document, please try this link.
Original title:
Integrity and Correctness of Machine Learning Data
Translated title:
Integrität und Korrektheit von Machine Learning Daten
Author:
Müller, Nicolas
Year:
2022
Document type:
Dissertation
Faculty/School:
TUM School of Computation, Information and Technology
Advisor:
Eckert, Claudia (Prof. Dr.)
Referee:
Eckert, Claudia (Prof. Dr.); Pahl, Marc-Oliver (Prof. Dr.)
Language:
en
Subject group:
DAT Datenverarbeitung, Informatik
Keywords:
machine learning, data, adversarial attacks, learning shortcuts
Translated keywords:
maschinelles lernen, daten, adversarielle angriffe, learning shortcuts
TUM classification:
DAT 460; DAT 050
Abstract:
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.
Translated abstract:
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
Date of submission:
04.07.2022
Oral examination:
20.12.2022
File size:
10708458 bytes
Pages:
142
Urn (citeable URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20221220-1662924-1-0
Last change:
20.01.2023
 BibTeX