CARA MEMANIPULASI PEMBELAJARAN MESIN (Machine Learning)

Abstract

Dalam pembelajaran diskriminatif, masalah manipulasi dirumuskan dengan jaringan saraf yang mengukur perbedaan statistik antara fitur data pelatihan dan fitur data lawan. Jaringan dapat mencari ruang laten pada data pelatihan untuk membuat contoh permusuhan. Algoritma manipulasi pembelajaran mesin bervariasi dalam asumsi desain terkait pengetahuan musuh, strategi serangan, dan dampaknya. Buku ini menyajikan tinjauan literatur tentang hubungan antara adversarial learning dan serangan siber, membandingkan ancaman permusuhan dalam model pembelajaran mesin dengan vektor serangan dalam model pembelajaran mendalam. Representasi data non-stasioner dan kelas konsep yang dipelajari oleh jaringan pembelajaran mendalam yang bermusuhan juga disurvei. Taksonomi contoh serangan digunakan untuk menganalisis ketahanan sistem pembelajaran dalam lanskap yang terus berubah. Profil pembelajaran teori permainan menganalisis ketahanan sistem pembelajaran terhadap optimalisasi dinamis dan stabilitas solusinya.

Dari sudut pandang privasi data, penulis mengkaji risiko, ancaman, dan kerentanan keamanan siber terkait pelestarian privasi dan serangan fisik. Opsi deteksi dan respons disediakan untuk algoritme pembelajaran mendalam, serangan dalam sistem kompleks, pembelajaran mendalam permusuhan, pengoptimalan yang kuat, dan kontrol cerdas. Tema penelitian tersebut dapat diterapkan pada desain sistem yang tangguh dengan pengumpulan data yang menjaga privasi untuk menganalisis ancaman, metadata, dan pola serangan. Ini juga dapat digunakan untuk studi kualitas data dan asal informasi dalam penambangan data permusuhan untuk menghasilkan sistem IoT dengan pertahanan dalam algoritma pembelajaran yang menggabungkan keamanan dengan privasi. Orkestrasi keamanan kemudian dapat menyediakan solusi keamanan siber sebagai layanan di Internet untuk akses yang andal ke sistem pembelajaran mesin di dunia nyata.