دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
دسته بندی: سایبرنتیک: هوش مصنوعی ویرایش: نویسندگان: Fuwei Li, Lifeng Lai, Shuguang Cui سری: Wireless Networks ISBN (شابک) : 3031163745, 9783031163746 ناشر: Springer سال نشر: 2022 تعداد صفحات: 109 زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 2 مگابایت
در صورت تبدیل فایل کتاب Machine Learning Algorithms: Adversarial Robustness in Signal Processing 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 الگوریتم های یادگیری ماشین: استحکام خصمانه در پردازش سیگنال 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.
این کتاب حملات خصمانه بهینه را علیه چندین الگوریتم
پردازش سیگنال مهم نشان میدهد. نویسندگان از طریق ارائه حملات
بهینه در شبکههای حسگر بیسیم، پردازش سیگنال آرایه، تجزیه و
تحلیل اجزای اصلی و غیره، استحکام الگوریتمهای پردازش سیگنال
را در برابر حملات خصمانه نشان میدهند. از آنجایی که کیفیت
داده ها در پردازش سیگنال بسیار مهم است، دشمنی که می تواند
داده ها را مسموم کند، تهدید مهمی برای پردازش سیگنال خواهد
بود. بنابراین، بررسی رفتار الگوریتمهای یادگیری ماشین در
پردازش سیگنال تحت حملات خصمانه ضروری و فوری است. نویسندگان در
این کتاب عمدتاً به ترتیب به بررسی استحکام خصمانه سه الگوریتم
یادگیری ماشینی رایج در پردازش سیگنال میپردازند: رگرسیون خطی،
انتخاب ویژگی مبتنی بر LASSO، و تجزیه و تحلیل اجزای اصلی
(PCA). در رابطه با رگرسیون خطی، نویسندگان نمونه دادههای
مسمومیت بهینه و تغییرات بهینه ویژگی را استخراج میکنند، و
همچنین اثربخشی حمله علیه یک سیستم یادگیری توزیعشده بیسیم را
نشان میدهند. نویسندگان بیشتر رگرسیون خطی را به انتخاب ویژگی
مبتنی بر LASSO گسترش میدهند و بهترین استراتژی را برای گمراه
کردن سیستم یادگیری برای انتخاب ویژگیهای اشتباه مطالعه
میکنند. نویسندگان استراتژی حمله بهینه را با حل یک مسئله
بهینه سازی دو سطحی پیدا می کنند و همچنین نشان می دهند که
چگونه این حمله بر پردازش سیگنال آرایه و تجزیه و تحلیل داده
های آب و هوا تأثیر می گذارد. در پایان، نویسندگان استحکام
خصمانه مسئله یادگیری زیرفضایی را در نظر می گیرند. نویسندگان
استراتژی اصلاح بهینه را تحت محدودیت های انرژی بررسی می کنند
تا الگوریتم یادگیری زیرفضایی مبتنی بر PCA را فریب دهند.
این کتاب محققانی را که در یادگیری ماشین، اطلاعات الکترونیکی،
و نظریه اطلاعات و همچنین دانش آموزان سطح پیشرفته مشغول به
مطالعه هستند، هدف قرار می دهد. این موضوعات مهندسان تحقیق و
توسعه که در زمینه یادگیری ماشینی، یادگیری ماشین متخاصم،
یادگیری ماشین قوی، و مشاوران فنی که بر روی امنیت و استحکام
یادگیری ماشین کار میکنند، احتمالاً این کتاب را به عنوان
راهنمای مرجع خریداری میکنند.
This book demonstrates the optimal adversarial
attacks against several important signal processing
algorithms. Through presenting the optimal attacks in
wireless sensor networks, array signal processing, principal
component analysis, etc, the authors reveal the robustness of
the signal processing algorithms against adversarial attacks.
Since data quality is crucial in signal processing, the
adversary that can poison the data will be a significant
threat to signal processing. Therefore, it is necessary and
urgent to investigate the behavior of machine learning
algorithms in signal processing under adversarial
attacks.
The authors in this book mainly examine the adversarial
robustness of three commonly used machine learning algorithms
in signal processing respectively: linear regression,
LASSO-based feature selection, and principal component
analysis (PCA). As to linear regression, the authors derive
the optimal poisoning data sample and the optimal feature
modifications, and also demonstrate the effectiveness of the
attack against a wireless distributed learning system. The
authors further extend the linear regression to LASSO-based
feature selection and study the best strategy to mislead the
learning system to select the wrong features. The authors
find the optimal attack strategy by solving a bi-level
optimization problem and also illustrate how this attack
influences array signal processing and weather data analysis.
In the end, the authors consider the adversarial robustness
of the subspace learning problem. The authors examine the
optimal modification strategy under the energy constraints to
delude the PCA-based subspace learning algorithm.
This book targets researchers working in machine learning,
electronic information, and information theory as well as
advanced-level students studying these subjects. R&D
engineers who are working in machine learning, adversarial
machine learning, robust machine learning, and technical
consultants working on the security and robustness of machine
learning are likely to purchase this book as a reference
guide.
Contents 1 Introduction 1.1 Adversarial Machine Learning 1.2 Adversarial Attack Against Linear Regression 1.3 Adversarial Attack Against LASSO Based Feature Selection 1.4 Adversarial Attack Against Subspace Learning 2 Optimal Feature Manipulation Attacks Against Linear Regression 2.1 Attacking with One Adversarial Data Point 2.1.1 Problem Formulation 2.1.2 Attacking One Regression Coefficient 2.1.3 Attacking with Small Changes of Other Regression Coefficients 2.2 Rank-One Attack Analysis 2.3 Applications 2.3.1 Data Poisoning Attack Against Wireless Sensor Networks 2.3.2 Adversarial Attack Against Stock Exchange Data Analysis 2.3.2.1 Attacking One Specific Regression Coefficient 2.3.2.2 Attacking Without Changing Untargeted Regression Coefficients 2.3.2.3 Rank-One Feature Matrix Attack 2.3.3 Adversarial Attack Against Wine Data Analysis 2.4 Summary 3 On the Adversarial Robustness of LASSO Based Feature Selection 3.1 Problem Formulation 3.2 Algorithm 3.3 Adversarial Attacks Against Group LASSO and Sparse Group LASSO 3.3.1 Adversarial Attacks Against Group LASSO 3.3.2 Adversarial Attacks Against Sparse Group LASSO 3.4 Applications 3.4.1 Adversarial Attack Against LASSO-Based Feature Selection System 3.4.2 Adversarial Attack Against Wireless Array Signal Processing 3.4.3 Adversarial Attack Against Weather Data Analysis 3.5 Summary 4 On the Adversarial Robustness of Subspace Learning 4.1 Problem Formulation 4.2 Optimal Rank-One Adversarial Strategy 4.2.1 Case with k=rank(X) 4.2.1.1 Full-Rank Case 4.2.1.2 Low-Rank Case 4.2.2 Case with k