ترجمه فارسی مقاله دفاع پشتی، یادگیری پذیری و مبهم سازی

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Backdoor defense, learnability and obfuscation
عنوان مقاله به فارسی دفاع پشتی، یادگیری پذیری و مبهم سازی
نویسندگان Paul Christiano, Jacob Hilton, Victor Lecomte, Mark Xu
فرمت مقاله انگلیسی PDF
تعداد صفحات 29
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , رمزنگاری و امنیت ,
توضیحات Submitted 4 September, 2024; originally announced September 2024. , Comments: 29 pages
توضیحات به فارسی ارسال شده در 4 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 29 صفحه
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 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.

🎯 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

We introduce a formal notion of defendability against backdoors using a game between an attacker and a defender. In this game, the attacker modifies a function to behave differently on a particular input known as the "trigger", while behaving the same almost everywhere else. The defender then attempts to detect the trigger at evaluation time. If the defender succeeds with high enough probability, then the function class is said to be defendable. The key constraint on the attacker that makes defense possible is that the attacker's strategy must work for a randomly-chosen trigger. Our definition is simple and does not explicitly mention learning, yet we demonstrate that it is closely connected to learnability. In the computationally unbounded setting, we use a voting algorithm of Hanneke et al. (2022) to show that defendability is essentially determined by the VC dimension of the function class, in much the same way as PAC learnability. In the computationally bounded setting, we use a similar argument to show that efficient PAC learnability implies efficient defendability, but not conversely. On the other hand, we use indistinguishability obfuscation to show that the class of polynomial size circuits is not efficiently defendable. Finally, we present polynomial size decision trees as a natural example for which defense is strictly easier than learning. Thus, we identify efficient defendability as a notable intermediate concept in between efficient learnability and obfuscation.

چکیده به فارسی (ترجمه ماشینی)

ما با استفاده از بازی بین یک مهاجم و یک مدافع ، یک مفهوم رسمی از دفاع در برابر Backdoors را معرفی می کنیم.در این بازی ، مهاجم عملکردی را تغییر می دهد تا در یک ورودی خاص که به عنوان "ماشه" معروف است ، متفاوت رفتار کند ، در حالی که تقریباً در هر جای دیگر رفتار می کند.مدافع سپس سعی در تشخیص ماشه در زمان ارزیابی دارد.اگر مدافع با احتمال کافی موفق شود ، گفته می شود که کلاس عملکرد قابل دفاع است.محدودیت اصلی در مهاجم که دفاع را ممکن می سازد این است که استراتژی مهاجم باید برای یک ماشه انتخاب شده به طور تصادفی کار کند.تعریف ما ساده است و به صراحت از یادگیری یاد نمی کند ، اما ما نشان می دهیم که از نزدیک با یادگیری ارتباط دارد.در تنظیمات محاسباتی بدون محدودیت ، ما از الگوریتم رأی گیری هانکه و همکاران استفاده می کنیم.(2022) برای نشان دادن اینکه دفاع پذیری اساساً با ابعاد VC کلاس عملکرد ، به همان روشی که یادگیری PAC است ، تعیین می شود.در تنظیمات محاسباتی محدود ، ما از یک آرگومان مشابه استفاده می کنیم تا نشان دهیم که یادگیری کارآمد PAC به معنای دفاع کارآمد است ، اما نه برعکس.از طرف دیگر ، ما از انسداد غیر قابل تشخیص استفاده می کنیم تا نشان دهیم که کلاس مدارهای اندازه چند جمله ای به طور کارآمد قابل دفاع نیست.سرانجام ، ما درختان تصمیم چند جمله ای را به عنوان نمونه طبیعی ارائه می دهیم که دفاع برای آن بسیار ساده تر از یادگیری است.بنابراین ، ما دفاع پذیری کارآمد را به عنوان یک مفهوم واسطه قابل توجه در بین یادگیری کارآمد و انسداد شناسایی 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.

🎯 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

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.