Cryptography and Security,Artificial Intelligence,Human-Computer Interaction,Machine Learning,Machine Learning,رمزنگاری و امنیت , هوش مصنوعی , تعامل انسان و رایانه , یادگیری ماشین , یادگیری ماشین ,
توضیحات
Submitted 4 September, 2024; originally announced September 2024. , Comments: This is the author's version of the article that has been accepted by the Journal of Visualization
توضیحات به فارسی
ارسال شده در 4 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این نسخه نویسنده مقاله است که توسط مجله تجسم پذیرفته شده است
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
Research in ML4VIS investigates how to use machine learning (ML) techniques to generate visualizations, and the field is rapidly growing with high societal impact. However, as with any computational pipeline that employs ML processes, ML4VIS approaches are susceptible to a range of ML-specific adversarial attacks. These attacks can manipulate visualization generations, causing analysts to be tricked and their judgments to be impaired. Due to a lack of synthesis from both visualization and ML perspectives, this security aspect is largely overlooked by the current ML4VIS literature. To bridge this gap, we investigate the potential vulnerabilities of ML-aided visualizations from adversarial attacks using a holistic lens of both visualization and ML perspectives. We first identify the attack surface (i.e., attack entry points) that is unique in ML-aided visualizations. We then exemplify five different adversarial attacks. These examples highlight the range of possible attacks when considering the attack surface and multiple different adversary capabilities. Our results show that adversaries can induce various attacks, such as creating arbitrary and deceptive visualizations, by systematically identifying input attributes that are influential in ML inferences. Based on our observations of the attack surface characteristics and the attack examples, we underline the importance of comprehensive studies of security issues and defense mechanisms as a call of urgency for the ML4VIS community.
چکیده به فارسی (ترجمه ماشینی)
تحقیقات در ML4VIS نحوه استفاده از تکنیک های یادگیری ماشین (ML) برای تولید تجسم را بررسی می کند ، و این زمینه به سرعت با تأثیر اجتماعی بالا در حال رشد است.با این حال ، مانند هر خط لوله محاسباتی که از فرآیندهای ML استفاده می کند ، رویکردهای ML4VIS مستعد طیف وسیعی از حملات مخالف ML خاص هستند.این حملات می تواند نسل های تجسم را دستکاری کند و باعث شود تحلیلگران فریب خورده و احکام آنها مختل شود.به دلیل کمبود سنتز از دیدگاه های تجسم و ML ، این جنبه امنیتی تا حد زیادی توسط ادبیات فعلی ML4VIS نادیده گرفته می شود.برای عبور از این شکاف ، ما در مورد آسیب پذیری های احتمالی تجسم به کمک ML از حملات مخالف با استفاده از لنزهای جامع از تجسم و دیدگاه ML بررسی می کنیم.ما ابتدا سطح حمله را شناسایی می کنیم (یعنی نقاط ورود به حمله) که در تجسم های کمک شده به ML بی نظیر است.سپس ما پنج حمله مخالف مختلف را مثال زدیم.این مثالها دامنه حملات احتمالی را هنگام بررسی سطح حمله و چندین قابلیت های مختلف طرف مقابل برجسته می کند.نتایج ما نشان می دهد که مخالفان می توانند با شناسایی سیستماتیک ویژگی های ورودی که در استنتاج ML تأثیرگذار هستند ، حملات مختلفی از جمله ایجاد تجسم خودسرانه و فریبنده را القا کنند.براساس مشاهدات ما در مورد ویژگی های سطح حمله و نمونه های حمله ، ما بر اهمیت مطالعات جامع موضوعات امنیتی و مکانیسم های دفاعی به عنوان فراخوانی فوریت برای جامعه ML4VIS تأکید می کنیم.
📚 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
