Benutzer: Gast  Login
Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Machine Learning on Graphs in the Presence of Noise and Adversaries
Übersetzter Titel:
Maschinelles Lernen mit Graphen in Anwesenheit von Rauschen und Angreifern
Autor:
Bojchevski, Aleksandar
Jahr:
2020
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Günnemann, Stephan (Prof. Dr)
Gutachter:
Günnemann, Stephan (Prof. Dr); Jegelka, Stefanie (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 600d; DAT 703d; DAT 708d
Kurzfassung:
In this thesis we study the impact of noise and adversarial perturbations on three types of graph-based machine learning models: unsupervised, generative, and semi-supervised. We design adversarial attacks to investigate the lack of robustness, we develop robust models which are resilient to perturbations, and we derive mathematically provable robustness guarantees. For all models we show the importance of robustness for ensuring that they are reliable.
Übersetzte Kurzfassung:
Diese Arbeit untersucht die Auswirkungen von Rauschen und gezielten Störungen auf drei Arten von graphbasierten Machine-Learning-Modellen: unüberwachtes, generatives und teilweise überwachtes. Wir entwerfen gegnerische Angriffe, um den Mangel an Robustheit zu ermitteln, entwickeln robuste Modelle, die belastbar gegenüber Störungen sind, und leiten mathematisch nachweisbare Robustheitsgarantien ab. Für alle Modelle zeigen wir, wie wichtig Robustheit ist, um ihre Zuverlässigkeit zu gewährleisten.
WWW:
https://mediatum.ub.tum.de/?id=1574624
Eingereicht am:
01.10.2020
Mündliche Prüfung:
18.12.2020
Dateigröße:
6587277 bytes
Seiten:
204
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20201218-1574624-1-3
Letzte Änderung:
02.03.2021
 BibTeX