کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Data attribution aims to quantify the contribution of individual training data points to the outputs of an AI model, which has been used to measure the value of training data and compensate data providers. Given the impact on financial decisions and compensation mechanisms, a critical question arises concerning the adversarial robustness of data attribution methods. However, there has been little to no systematic research addressing this issue. In this work, we aim to bridge this gap by detailing a threat model with clear assumptions about the adversary's goal and capabilities, and by proposing principled adversarial attack methods on data attribution. We present two such methods, Shadow Attack and Outlier Attack, both of which generate manipulated datasets to adversarially inflate the compensation. The Shadow Attack leverages knowledge about the data distribution in the AI applications, and derives adversarial perturbations through "shadow training", a technique commonly used in membership inference attacks. In contrast, the Outlier Attack does not assume any knowledge about the data distribution and relies solely on black-box queries to the target model's predictions. It exploits an inductive bias present in many data attribution methods - outlier data points are more likely to be influential - and employs adversarial examples to generate manipulated datasets. Empirically, in image classification and text generation tasks, the Shadow Attack can inflate the data-attribution-based compensation by at least 200%, while the Outlier Attack achieves compensation inflation ranging from 185% to as much as 643%.
چکیده به فارسی (ترجمه ماشینی)
انتساب داده ها با هدف تعیین کمیت سهم نقاط داده های آموزش فردی به خروجی های یک مدل AI ، که برای اندازه گیری مقدار داده های آموزش و جبران ارائه دهندگان داده ها استفاده شده است.با توجه به تأثیر تصمیمات مالی و مکانیسم های جبران خسارت ، یک سؤال مهم در مورد استحکام مخالف روشهای انتساب داده ها پیش می آید.با این حال ، تحقیقات سیستماتیک کمی در مورد این موضوع وجود ندارد.در این کار ، ما هدف ما این است که با جزئیات یک مدل تهدید با فرضیات واضح در مورد هدف و توانایی های طرف مقابل ، و با پیشنهاد روش های حمله مخالف اصولی در انتساب داده ها ، این شکاف را برطرف کنیم.ما دو روش از این دست ، حمله سایه و حمله دورتر را ارائه می دهیم ، که هر دو مجموعه داده های دستکاری شده را ایجاد می کنند تا به طور متناقض جبران خسارت شوند.The Shadow Attack دانش را در مورد توزیع داده ها در برنامه های AI به دست می آورد و از طریق "آموزش سایه" ، اختلال های مخالف را به دست می آورد ، تکنیکی که معمولاً در حملات استنباط عضویت استفاده می شود.در مقابل ، حمله دورتر هیچ دانش در مورد توزیع داده ها فرض نمی کند و فقط به نمایش داده های جعبه سیاه به پیش بینی های مدل هدف متکی است.این یک تعصب القایی موجود در بسیاری از روشهای انتساب داده ها را مورد سوء استفاده قرار می دهد - نقاط داده های دورتر به احتمال زیاد تأثیرگذار هستند - و از نمونه های مخالف برای تولید مجموعه داده های دستکاری شده استفاده می کنند.از نظر تجربی ، در طبقه بندی تصویر و وظایف تولید متن ، حمله سایه می تواند حداقل 200 ٪ جبران خسارت مبتنی بر داده را باد کند ، در حالی که حمله دورتر به تورم جبران خسارت از 185 ٪ تا 643 ٪ دست می یابد.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
