اکسپرس 24
ترجمه فارسی مقاله LaFA: حملات ویژگی نهفته به تجزیه ماتریس غیر منفی

ترجمه فارسی مقاله LaFA: حملات ویژگی نهفته به تجزیه ماتریس غیر منفی

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 LaFA: Latent Feature Attacks on Non-negative Matrix Factorization
عنوان مقاله به فارسی LaFA: حملات ویژگی نهفته به تجزیه ماتریس غیر منفی
نویسندگان Minh Vu, Ben Nebgen, Erik Skau, Geigh Zollicoffer, Juan Castorena, Kim Rasmussen, Boian Alexandrov, Manish Bhattarai
فرمت مقاله انگلیسی PDF
تعداد صفحات 9
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Cryptography and Security,یادگیری ماشین , هوش مصنوعی , رمزنگاری و امنیت ,
توضیحات Submitted 7 August, 2024; originally announced August 2024. , Comments: LA-UR-24-26951
توضیحات به فارسی ارسال شده در 7 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد. ، نظرات: LA-ur-24-26951

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 360,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 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

As Machine Learning (ML) applications rapidly grow, concerns about adversarial attacks compromising their reliability have gained significant attention. One unsupervised ML method known for its resilience to such attacks is Non-negative Matrix Factorization (NMF), an algorithm that decomposes input data into lower-dimensional latent features. However, the introduction of powerful computational tools such as Pytorch enables the computation of gradients of the latent features with respect to the original data, raising concerns about NMF's reliability. Interestingly, naively deriving the adversarial loss for NMF as in the case of ML would result in the reconstruction loss, which can be shown theoretically to be an ineffective attacking objective. In this work, we introduce a novel class of attacks in NMF termed Latent Feature Attacks (LaFA), which aim to manipulate the latent features produced by the NMF process. Our method utilizes the Feature Error (FE) loss directly on the latent features. By employing FE loss, we generate perturbations in the original data that significantly affect the extracted latent features, revealing vulnerabilities akin to those found in other ML techniques. To handle large peak-memory overhead from gradient back-propagation in FE attacks, we develop a method based on implicit differentiation which enables their scaling to larger datasets. We validate NMF vulnerabilities and FE attacks effectiveness through extensive experiments on synthetic and real-world data.

چکیده به فارسی (ترجمه ماشینی)

از آنجا که برنامه های یادگیری ماشین (ML) به سرعت در حال رشد هستند ، نگرانی در مورد حملات مخالف که باعث به خطر انداختن قابلیت اطمینان آنها می شود ، توجه چشمگیری را به خود جلب کرده است.یک روش ML بدون نظارت که به دلیل مقاومت در برابر چنین حملاتی شناخته شده است ، فاکتور سازی ماتریس غیر منفی (NMF) است ، یک الگوریتم که داده های ورودی را به ویژگی های نهفته با ابعاد پایین تر تجزیه می کند.با این حال ، معرفی ابزارهای محاسباتی قدرتمند مانند Pytorch ، محاسبه شیب ویژگی های نهان را با توجه به داده های اصلی امکان پذیر می کند و نگرانی های مربوط به قابلیت اطمینان NMF را ایجاد می کند.جالب اینجاست که به طرز ساده لوحانه از دست دادن مخالف برای NMF ، زیرا در مورد ML منجر به از بین رفتن بازسازی می شود ، که می تواند از نظر تئوری نشان داده شود که یک هدف حمله کننده ناکارآمد است.در این کار ، ما یک کلاس جدید از حملات در NMF به نام Atteges Feature Latent (LAFA) را معرفی می کنیم ، که هدف آن دستکاری ویژگی های نهفته تولید شده توسط فرآیند NMF است.روش ما از ضرر خطای ویژگی (FE) به طور مستقیم بر روی ویژگی های نهفته استفاده می کند.با استفاده از از دست دادن آهن ، ما در داده های اصلی آشفتگی ایجاد می کنیم که به طور قابل توجهی بر ویژگی های نهفته استخراج شده تأثیر می گذارد و آسیب پذیری ها را شبیه به موارد موجود در سایر تکنیک های ML نشان می دهد.برای رسیدگی به سربار بزرگ اوج از پیشروی شیب در حملات آهن ، ما روشی را بر اساس تمایز ضمنی ایجاد می کنیم که مقیاس بندی آنها را به مجموعه داده های بزرگتر امکان پذیر می کند.ما آسیب پذیری های NMF و اثربخشی حمله آهن را از طریق آزمایش های گسترده در مورد داده های مصنوعی و واقعی در دنیای واقعی تأیید 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.