کتاب صوتی حملات استنتاج عضویت و دفاع از مدل‌های یادگیری ماشین در برابر افشای داده

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره حملات استنتاج عضویت و دفاع از مدل‌های یادگیری ماشین در برابر افشای داده

موضوع کلی: امنیت سایبری و حریم خصوصی داده

موضوع میانی: حملات استنتاجی و حفاظت از حریم خصوصی مدل‌های یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مفهوم حریم خصوصی در یادگیری ماشین
• 2. مفهوم عضویت داده و حمله استنتاج عضویت
• 3. چرایی اهمیت حملات Membership Inference
• 4. مدل تهدید در حملات استنتاج عضویت
• 5. دارایی‌های حساس و اطلاعات قابل افشا
• 6. نقش مدل هدف در افشای اطلاعات آموزشی
• 7. ویژگی‌های رفتاری مدل‌های یادگیری ماشین
• 8. تفاوت حملات استنتاج عضویت با حملات استخراج داده
• 9. تفاوت استنتاج عضویت با حملات Model Inversion
• 10. مبانی آماری استنتاج عضویت
• 11. نقش بیش‌برازش در آسیب‌پذیری مدل
• 12. ارتباط Confidence Score با افشای عضویت
• 13. تحلیل Loss و احتمال عضویت
• 14. تحلیل Prediction و خروجی مدل
• 15. استفاده از Shadow Model برای شبیه‌سازی مدل هدف
• 16. طراحی مجموعه‌داده‌های Shadow
• 17. آموزش مدل‌های Shadow
• 18. ساخت داده‌های عضو و غیرعضو
• 19. تشخیص الگوهای خروجی مدل هدف
• 20. ساخت حمله مبتنی بر طبقه‌بندی
• 21. انتخاب ویژگی‌های مناسب برای حمله
• 22. آستانه‌گذاری برای تشخیص عضویت
• 23. حملات مبتنی بر Confidence Threshold
• 24. حملات مبتنی بر Loss Threshold
• 25. حملات استنتاج عضویت با دسترسی Black-Box
• 26. حملات استنتاج عضویت با دسترسی White-Box
• 27. حملات مبتنی بر گرادیان و پارامترهای مدل
• 28. استنتاج عضویت در مدل‌های طبقه‌بندی
• 29. استنتاج عضویت در مدل‌های رگرسیون
• 30. استنتاج عضویت در مدل‌های چندکلاسه
• 31. استنتاج عضویت در مدل‌های یادگیری عمیق
• 32. استنتاج عضویت در مدل‌های زبانی و مدل‌های مولد
• 33. تأثیر معماری مدل بر آسیب‌پذیری
• 34. تأثیر اندازه مجموعه‌داده آموزشی
• 35. تأثیر کیفیت و توزیع داده‌ها
• 36. تأثیر عدم توازن کلاس‌ها
• 37. تأثیر بیش‌برازش و Underfitting
• 38. تأثیر Regularization بر حریم خصوصی
• 39. تأثیر Dropout بر استنتاج عضویت
• 40. تأثیر Data Augmentation بر حملات
• 41. تأثیر Early Stopping بر ریسک افشا
• 42. ارزیابی شدت و دقت حمله
• 43. معیارهای Precision و Recall در حملات
• 44. معیارهای Accuracy و F1 برای ارزیابی حمله
• 45. منحنی ROC و معیار AUC
• 46. محاسبه نرخ True Positive و False Positive
• 47. تحلیل Privacy Risk در سطح نمونه
• 48. مقایسه مدل‌های آسیب‌پذیر و مقاوم
• 49. طراحی آزمایش برای ارزیابی حملات
• 50. ساخت خط مبنای امنیتی مدل
• 51. دفاع با کاهش بیش‌برازش
• 52. دفاع با Regularization
• 53. دفاع با Dropout و Early Stopping
• 54. دفاع با Data Augmentation
• 55. دفاع با کاهش اطلاعات خروجی مدل
• 56. دفاع با محدودسازی Confidence Score
• 57. دفاع با Temperature Scaling
• 58. دفاع با Differential Privacy
• 59. آموزش خصوصی با Differentially Private SGD
• 60. موازنه حریم خصوصی و دقت مدل
• 61. ارزیابی مقاومت مدل پس از اعمال دفاع
• 62. مقایسه روش‌های دفاعی از نظر هزینه و کارایی
• 63. طراحی Pipeline ارزیابی End-to-End
• 64. پیاده‌سازی حمله استنتاج عضویت در پایتون
• 65. پیاده‌سازی Shadow Model با ابزارهای یادگیری ماشین
• 66. ساخت یک چارچوب آزمایش حمله و دفاع
• 67. تحلیل نتایج حمله و دفاع
• 68. اشتباهات رایج در ارزیابی Membership Inference
• 69. محدودیت‌های روش‌های حمله و دفاع
• 70. طراحی مدل‌های یادگیری ماشین با رویکرد Privacy by Design
• 71. ملاحظات حریم خصوصی در استقرار مدل‌های یادگیری ماشین