Аналіз атак на моделі машинного навчання
Вантажиться...
Файли
Дата
Автори
Науковий керівник
Редактор
Інші учасники
Відповідальний
ORCID
Назва журналу
Номер ISSN
Назва тому
DOI
Альтернативна назва
Анотація
У даній роботі досліджено основні методи атак на моделі машинного навчання. Наведено класифікацію атак та розглянуто їх основні переваги.
In this works main methods of attacks on machine learning models were analyzed. The classification of attacks is given and their main advantages are considered..
In this works main methods of attacks on machine learning models were analyzed. The classification of attacks is given and their main advantages are considered..
Опис
Ключові слова
Тип документа
Мова
ISSN
Посилання на публікацію
Серія, номер
ISBN
ББК
Інші ідентифікатори
Пов’язані матеріали
Спонсорська підтримка
Правовласник
Бібліографічний опис
Кренцін М. Д. Аналіз атак на моделі машинного навчання [Електронний ресурс] / М. Д. Кренцін, Л. М. Куперштейн // Матеріали L Науково-технічної конференції підрозділів ВНТУ, Вінниця, 10-12 березня 2021 р. – Електрон. текст. дані. – 2021. – Режим доступу: https://conferences.vntu.edu.ua/index.php/all-fitki/all-fitki-2021/paper/view/12746.
Схвалення
Рецензія
Доповнено
Цитується в
Список використаної літератури (13)
- Васюра А. С., Мартинюк Т.Б., Куперштейн Л.М. Методи та засоби нейроподібної обробки даних для систем керування: монографія. – Вінниця : УНIВЕРСУМ-Вінниця, 2008. 175 с.
- Lotufo R.A., Morgan A.D., and Johnson AS., 1990, Automatic Number-Plate Recognition, Proceedings of the IEE Colloquium on Image analysis for Transport Applications, V01.035, pp.6/1-6/6, February 16, 1990
- Propp M, Samal A (1992) Artificial neural network architectures for human face detection. In: Proceeding ofartificial neural networks in engineering, vol 2, pp 535–540
- Кренцін М.Д., Куперштейн Л.М., Штокал А.С., Восьмушко О.В. Система підтримки роботи ситуаційного центру на основі інтелектуальних хмарних технологій. Збірник матеріалів міжнародної науково-технічної конференції молодих вчених, аспірантів та студентів CSYSC-2018. м. Івано-Франківськ, 2018. с.119-120
- R. Gross, I. Matthews, J. Cohn, T. Kanade, and S. Baker, «Multi-pie,» Image and Vision Computing, vol. 28, no. 5, pp. 807–813, 2010.
- N. Papernot, P. McDaniel, I. Goodfellow, S. Jha, Z. B. Celik, and A. Swami, «Practical black-box attacks against machine learning,» in Proceedings of the 2017 ACM on Asia Conference on Computer and Communications Security. ACM, 2017, pp. 506–519
- Morales, J. L.; Nocedal, J. (2011). «Remark on «algorithm 778: L-BFGS-B: Fortran subroutines for large-scale bound constrained optimization»». ACM Transactions on Mathematical Software. 38: 1–4. doi:10.1145/2049662.2049669. S2CID 16742561
- Adversarial example using FGSM URL: https://www.tensorflow.org/tutorials/generative/ adversarial_fgsm
- S.-M. Moosavi-Dezfooli, A. Fawzi, and P. Frossard, «Deepfool: a simple and accurate method to fool deep neural networks» in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 2574–2582
- N. Papernot, P. McDaniel, S. Jha, M. Fredrikson, Z. B. Celik, and A. Swami, “The limitations of deep learning in adversarial settings,” in Security and Privacy (EuroS&P), 2016 IEEE European Symposium on. IEEE, 2016, pp. 372–387