Incrementing Adversarial Robustness with Autoencoding for Machine Learning Model Attacks
Yazarlar (3)
Samed Sivaslıoğlu
Türkiye Bilimsel ve Teknolojik Araştirma Kurumu, Türkiye
Türkiye Bilimsel ve Teknolojik Araştirma Kurumu, Türkiye
Ferhat Özgür Çatak
Türkiye Bilimsel ve Teknolojik Araştirma Kurumu, Türkiye
Türkiye Bilimsel ve Teknolojik Araştirma Kurumu, Türkiye
Prof. Dr. Ensar GÜL İstanbul Şehir Üniversitesi, Türkiye
| Bildiri Türü | Tebliğ/Bildiri | Bildiri Dili | Türkçe |
| Bildiri Alt Türü | Tam Metin Olarak Yayınlanan Tebliğ (Uluslararası Kongre/Sempozyum) | ||
| Bildiri Niteliği | Web of Science Kapsamındaki Kongre/Sempozyum | ||
| DOI Numarası | 10.1109/SIU.2019.8806432 | ||
| Kongre Adı | 27th Sinyal İşleme ve İletişim Uygulamaları Kurultayı (SIU), 2019 | ||
| Kongre Tarihi | 24-04-2019 / | ||
| Basıldığı Ülke | Türkiye | Basıldığı Şehir | |
| Bildiri Linki | https://hdl.handle.net/11250/2650281 | ||
| Özet |
| Nowadays, machine learning is being used widely. There have also been attacks towards machine learning process. In this study, robustness against machine learning model attacks which cause many results such as misclassification, disruption of decision mechanisms and avoidance of filters has been shown by autoencoding and with non-targeted attacks to a model trained with Mnist dataset. In this work, the results and improvements for the most common and important attack method, non-targeted attack are presented. |
| Anahtar Kelimeler |
| Adversarial attacks | Adversarial robustness | Autoencoder | Machine learning |
BM Sürdürülebilir Kalkınma Amaçları
| Atıf Sayıları | |
| WoS | 6 |
| SCOPUS | 5 |
| Google Scholar | 5 |