Vulnerability of Machine Learning Models to Adversarial Examples

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F16%3A00462893" target="_blank" >RIV/67985807:_____/16:00462893 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-1649/187.pdf" target="_blank" >http://ceur-ws.org/Vol-1649/187.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Vulnerability of Machine Learning Models to Adversarial Examples

Popis výsledku v původním jazyce

We propose a genetic algorithm for generating adversarial examples for machine learning models. Such approach is able to find adversarial examples without the access to model’s parameters. Different models are tested, including both deep and shallow neural networks architectures. We show that RBF networks and SVMs with Gaussian kernels tend to be rather robust and not prone to misclassification of adversarial examples.

Název v anglickém jazyce

Vulnerability of Machine Learning Models to Adversarial Examples

Popis výsledku anglicky

We propose a genetic algorithm for generating adversarial examples for machine learning models. Such approach is able to find adversarial examples without the access to model’s parameters. Different models are tested, including both deep and shallow neural networks architectures. We show that RBF networks and SVMs with Gaussian kernels tend to be rather robust and not prone to misclassification of adversarial examples.

Druh

D - Stať ve sborníku

CEP obor

IN - Informatika

OECD FORD obor

—

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2016

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings ITAT 2016: Information Technologies - Applications and Theory

ISBN

978-1-5370-1674-0

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

8

Strana od-do

187-194

Název nakladatele

Technical University & CreateSpace Independent Publishing Platform

Místo vydání

Aachen & Charleston

Místo konání akce

Tatranské Matliare

Datum konání akce

15. 9. 2016

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—