مشخصات کتاب

Adversarial Robustness for Machine Learning

ویرایش:  
نویسندگان: Pin-Yu Chen. Cho-Jui Hsieh  
سری:  
ISBN (شابک) : 0128240202, 9780128240205 
ناشر: Academic Press 
سال نشر: 2022 
تعداد صفحات: 275
[276] 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 10 Mb 

در صورت تبدیل فایل کتاب Adversarial Robustness for Machine Learning به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب استحکام خصمانه برای یادگیری ماشین نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب استحکام خصمانه برای یادگیری ماشین

Adversarial Robustness for Machine Learning پیشرفت‌های اخیر در این موضوع را خلاصه می‌کند و الگوریتم‌های محبوبی را در مورد حمله، دفاع و تأیید خصمانه معرفی می‌کند. بخش‌ها حمله خصمانه، تأیید و دفاع را پوشش می‌دهند، که عمدتاً بر برنامه‌های طبقه‌بندی تصویر تمرکز می‌کنند که معیار استاندارد در نظر گرفته شده در جامعه مقاومت خصمانه است. بخش‌های دیگر مثال‌های متخاصم را فراتر از طبقه‌بندی تصویر، دیگر مدل‌های تهدید فراتر از آزمایش حمله زمانی، و کاربردهایی در مورد استحکام دشمن را مورد بحث قرار می‌دهند. برای محققان، این کتاب یک مرور ادبیات کامل را ارائه می دهد که آخرین پیشرفت ها در این زمینه را خلاصه می کند، که می تواند خوب باشد

علاوه بر این، این کتاب همچنین می تواند به عنوان یک کتاب درسی برای دوره های تحصیلات تکمیلی در مورد استحکام رقیب یا ماشین قابل اعتماد استفاده شود. یادگیری. در حالی که الگوریتم‌های یادگیری ماشین (ML) در بسیاری از کاربردها به عملکرد قابل‌توجهی دست یافته‌اند، مطالعات اخیر عدم استحکام آن‌ها را در برابر اختلالات متخاصم نشان داده‌اند. فقدان استحکام نگرانی‌های امنیتی را در مدل‌های ML برای کاربردهای واقعی مانند اتومبیل‌های خودران، کنترل‌های روباتیک و سیستم‌های مراقبت بهداشتی به همراه دارد.

توضیحاتی درمورد کتاب به خارجی

Adversarial Robustness for Machine Learning summarizes the recent progress on this topic and introduces popular algorithms on adversarial attack, defense and verification. Sections cover adversarial attack, verification and defense, mainly focusing on image classification applications which are the standard benchmark considered in the adversarial robustness community. Other sections discuss adversarial examples beyond image classification, other threat models beyond testing time attack, and applications on adversarial robustness. For researchers, this book provides a thorough literature review that summarizes latest progress in the area, which can be a good

In addition, the book can also be used as a textbook for graduate courses on adversarial robustness or trustworthy machine learning. While machine learning (ML) algorithms have achieved remarkable performance in many applications, recent studies have demonstrated their lack of robustness against adversarial disturbance. The lack of robustness brings security concerns in ML models for real applications such as self-driving cars, robotics controls and healthcare systems.

نظرات کاربران

کتاب های تصادفی

دانلود کتاب We Built Up Our Lives: Education and Community among Jewish Refugees Interned by Britain in World War II

دانلود کتاب Emam - So what will you do if string theory is wrong

دانلود کتاب Astronomy with Radioactivities

دانلود کتاب Oszillatoren mit Schwingkristallen

دانلود کتاب 中国古代的宗族与祠堂