Benutzer: Gast  Login

Wenn Sie Schwierigkeiten haben, das Dokument zu öffnen, versuchen Sie auch bitte diesen Link
Originaltitel:
Adversarial and Secure Machine Learning
Übersetzter Titel:
Feindliches und sicheres maschinelles Lernen
Autor:
Xiao, Huang
Jahr:
2017
Dokumenttyp:
Dissertation
Fakultät/School:
Fakultät für Informatik
Betreuer:
Eckert, Claudia (Prof. Dr.)
Gutachter:
Eckert, Claudia (Prof. Dr.); Roli, Fabio (Prof. Dr.)
Sprache:
en
Fachgebiet:
DAT Datenverarbeitung, Informatik
TU-Systematik:
DAT 460d; DAT 050d
Kurzfassung:
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.
Übersetzte Kurzfassung:
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
Eingereicht am:
27.10.2016
Mündliche Prüfung:
05.05.2017
Dateigröße:
7002565 bytes
Seiten:
153
Urn (Zitierfähige URL):
https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20170505-1335448-1-0
Letzte Änderung:
18.05.2017
 BibTeX