KDDSep, 2018

检测人可解释防御的潜在本地对抗样本

PDF
TL;DR介绍了在工业决策中使用机器学习模型的困境，并提出了使用局部关键特征来检测经典表格数据中的潜在对抗性样本的问题，以避免欺诈。
machine learningindustry decision-makingadversarial examplestabular datafraud detection
发现论文，激发创造
  • 针对表格数据的对抗性训练与攻击传播

    对抗攻击是安全中心应用中的主要问题，我们提出了一种新的对抗性训练方法，能够预防攻击对机器学习模型的性能造成较大影响，特别是在信用卡欺诈检测领域。

    Jul, 2023

  • 现代机器学习中的对抗样本：一次回顾

    本文对机器学习模型在视觉领域中面临的对抗性攻击和防御方法进行了广泛探讨，并讨论了不同攻击和防御方法的优点和缺点。旨在提供广泛的领域覆盖和机械进攻和防御机制的直观理解。

    Nov, 2019

  • 针对表格式数据的对抗性攻击：应用于欺诈检测和非平衡数据

    本文介绍了一种新颖的方法，用于修改和调整最先进的算法以处理不平衡的表格数据，以应对欺诈检测方面的安全挑战，实验结果表明，所提出的修改导致了攻击成功率的提高，并获得的对人类来说不那么易察觉的对抗性示例。

    Jan, 2021

  • 关于表格数据的难以察觉的对抗攻击

    本文探讨标准数据中的敌对示例的概念和生成方法，实验结果证明可以生成具有很高愚弄率的不可察觉的敌对示例。

    Nov, 2019

  • 良性对抗攻击：欺骗模型以取得好结果

    本文提出了利用对抗样本的善意攻击来探索攻击的本质并尝试解决机器学习中的对抗性问题。我们将对抗样本归因于模型和人类之间在使用非语义特征方面的差异，并针对此特性提出了三个方向的创新性应用：对抗图灵测试、拒绝恶意模型应用和对抗数据增强。

    Jul, 2021

  • 金融风险鲁棒分类

    使用领域特定的原始对抗攻击以及文献记录的对抗攻击，我们使用贷款等级分类问题来探讨机器学习模型对用户报告数据中微小变化的敏感性，并使用强健优化算法来构建金融服务的模型对扰动有抗分类误差的能力，这是金融服务深度学习中对抗攻击和防御的首项研究。

    Nov, 2018

  • 对抗样本研究中的游戏规则动机

    本文介绍如何通过建立人们更真实可靠的威胁模型，从而更好地保护机器学习在实际应用中的安全性。

    Jul, 2018

  • 物理世界中的对抗样本

    本文研究表明即使在物理世界的情境下，机器学习系统仍然容易受到敌对样本的攻击，并通过将手机摄像头获取的对抗性图像输入 ImageNet Inception 分类器，并测量系统的分类精度来证明了这一点。

    Jul, 2016

  • 图像分类中的对抗机器学习：从防御者的视角进行调查

    这篇论文探讨了深度学习在图像分类中的安全问题，介绍了针对对抗攻击和对抗防御的新分类方法，提供了研究者需要考虑的相关指导，并讨论了未来研究的方向。

    Sep, 2020

  • 针对医学深度学习系统的对抗攻击

    本文发现对抗样本可以操纵深度学习系统在三个临床领域，建议医疗机构在部署深度学习系统时注意当前的漏洞，同时促进机器学习社区进一步研究医疗学习系统的领域特征。

    Apr, 2018