Machine Learning Algorithms: Adversarial Robustness in Signal Processing

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.