Çatışma yönelimli makine öğrenme üzerine istatistiksel bir çalışma
A statistical study on adversarial machine learning
- Tez No: 781238
- Danışmanlar: DOÇ. DR. İHSAN KARABULUT
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Statistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 75
Özet
Bu çalışmada makine öğrenmede yaklaşımlar, kullanılan yöntem ve temel kavramların bir kısmı gözden geçirilmiştir. Kullanılan algoritmalar özetlenerek örneklerle verilmiştir. Makine öğrenme ile istatistik disiplinin kullandığı yol, yöntem ve değerlendirme anlayışları kullandıkları terminoloji temelinde kısaca karşılaştırılmıştır. Gözlem altında öğrenmede yapay sinir ağı yönteminin kullanılışı öne çıkarılmıştır. Çatışmalı makine öğrenme, örüntü ve şekil tanımada yaygınca kullanılan el yazısı rakamları veri kümesi MNIST üzerinde uygulanarak ele alınmıştır. El yazısı rakamlarını tanıma konusu; beyaz kutu ortamında, hedefsiz, kaçınma türünde saldırı çatışmalı makine uygulamasına örnek olarak seçilmiştir. Bu örnekte, öğrenmiş sisteme yanlış sınıflandırma yaptırarak, makine öğrenimi yanıltılmaya çalışılmıştır. Saldırı başarısı makine ile insan algı ve estetiğinin karşılaştırılmalarıyla ve saldırı gerçekleştirme hızı bakımlarından değerlendirilmiştir. Saldırı algoritması PSNR (Peak Signal Noise Ratio - tepe sinyal gürültü oranı) ölçütüyle ve Carlini ve Wagner (2017)'de önerilen tanjant hiperbolik sınıflandırma fonksiyonunun Maclaurin yaklaşımı kullanılarak oluşturulmuştur. Yeni yöntem, Carlini ve Wagner saldırı yönteminden %25.53 daha hızlı çalışmış ancak tahminlerde yanıltma oranında %11.6 düşüş gözlenmiştir.
Özet (Çeviri)
In this thesis, some of the methods and basic concepts of machine learning are reviewed. Some of the algorithms are summarized with given examples. The approaches, methods and evaluation processes of machine learning and statistics discipline are briefly compared on the basis of the terminology they use. Use of artificial neural network method in supervised learning has been highlighted. Adversarial machine learning is studied by using handwritten numbers in MNIST dataset which are widely used in pattern and shape recognition problems. The recognition of handwritten numbers task is chosen as an example of adversarial machine learning application by considering white box, no-target, evasion type attack environment. In this example, machine learning was tried to be mislead by making the learned system misclassify. Attack success was evaluated by comparing machine and human perception and aesthetics, and in terms of attack execution speed. The attack algorithm was created using the PSNR (Peak Signal Noise Ratio) criterion and the Maclaurin approach of the tangent hyperbolic classification function proposed in Carlini & Wagner (2017). The new method worked 25.53% faster than the Carlini & Wagner attack method, but the prediction error rate decreased by 11.6%.
Benzer Tezler
- Developing a decision-support system using machine learning and deep learning models for daily demand forecasting: A case study
Günlük talep tahmini için makine öğrenimi ve derin öğrenme modelleri kullanarak karar destek sistemi geliştirme: Bir vaka çalişmasi
RANA EZGİ KÖSE
Yüksek Lisans
İngilizce
2023
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesiİşletme Mühendisliği Ana Bilim Dalı
PROF. DR. FERHAN ÇEBİ
- Enerji tüketim verileri kullanılarak tüketici davranışlarının analizi
Analysis of consumer behavior using energy consumption data
MERYEM BALTACI
- Coğrafi bilgi sistemi tabanlı hidrolojik havza modellemesi ve makine öğrenmesi yöntemiyle hidrograf tahmini
Geographic information systems-based hydrological basin modeling and hydrograph prediction using machine learning methods
BURAK CAN
Yüksek Lisans
Türkçe
2024
İnşaat MühendisliğiAkdeniz Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL İBRAHİM BURGAN
- Deprem etkisi altında betonarme elemanların tepkilerininmakine öğrenme ile modellenmesi
Modelling the reinforced concrete element reactions under the eartquake effect with machine learning
NİHAN YAZICI
Yüksek Lisans
Türkçe
2020
Deprem MühendisliğiGebze Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AHMET ANIL DİNDAR
- Orthogonality based feature selection for ai applications
Yapay zeka uygulamaları için ortogonalite tabanlı öznitelik seçimi
MEHMET SELAHADDİN ŞENTOP
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BURAK BERK ÜSTÜNDAĞ