prikaz prve stranice dokumenta Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka
Rad nije dostupan
diplomski rad
Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka
Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. urn:nbn:hr:168:970317
Herkov, Antun
Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva

Institucijski repozitorij: Repozitorij FER-a

Citirajte ovaj rad

Herkov, A. (2023). Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka (Diplomski rad). Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva. Preuzeto s https://urn.nsk.hr/urn:nbn:hr:168:970317

Herkov, Antun. "Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:970317

Herkov, Antun. "Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka." Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, 2023. https://urn.nsk.hr/urn:nbn:hr:168:970317

Herkov, A. (2023). 'Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka', Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, citirano: 27.05.2024., https://urn.nsk.hr/urn:nbn:hr:168:970317

Herkov A. Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka [Diplomski rad]. Zagreb: Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva; 2023 [pristupljeno 27.05.2024.] Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:970317

A. Herkov, "Metode za obranu od napada na neuronske mreže pomoću augmentacije podataka", Diplomski rad, Sveučilište u Zagrebu, Fakultet elektrotehnike i računarstva, Zagreb, 2023. Dostupno na: https://urn.nsk.hr/urn:nbn:hr:168:970317

Za citiranje koristite ovu mrežnu adresu: https://urn.nsk.hr/urn:nbn:hr:168:970317
Podaci o radu
NaslovMetode za obranu od napada na neuronske mreže pomoću augmentacije podataka
Naslov (engleski)Methods for Defense Against Backdoor Attacks Upon Neural Networks Using Data Augmentation
AutorAntun Herkov
MentorSven Lončarić (mentor)
Član povjerenstvaSven Lončarić (predsjednik povjerenstva)
Član povjerenstvaMarko Subašić (član povjerenstva)
Član povjerenstvaTomislav Petković (član povjerenstva)
Ustanova koja je dodijelila
akademski / stručni stupanj		Sveučilište u Zagrebu
Fakultet elektrotehnike i računarstva
Zagreb
Datum i država obrane2023-07-03, Hrvatska
Sažetak
Dan je pregled sigurnosnih opasnosti koji prijete modelima dubokog učenja uz fokus na utjecaj primjene augmentacije podataka na sigurnost, metrike i performanse modela dubokog učenja. Formalno su opisani backdoor napadi na modele te je dan pregled obrambenih metoda. Za provedbu eksperimenata, razvijena je programska implementacija procesa učenja inficiranih modela te provođenja obrane u obliku augmentacije podataka točno definiranim strategijama transformacija slika u Keras i PyTorch frameworcima te je pokazan utjecaj augmentacije podataka na osiguravanje modela od umetnutoga backdoora.
Sažetak (engleski)
An overview of security threats to deep learning models is given, with a focus on the impact of applying data augmentation on the security, metrics, and performance of deep learning models. Backdoor attacks on models are formally described and an overview of defense methods is given. To carry out the experiments, a software implementation of the process of training infected models and a defense method in the form of data augmentation with precisely defined image transformation policies was developed in Keras and PyTorch frameworks, and the impact of data augmentation on the model security from an inserted backdoor was demonstrated.
Ključne riječi
Ključne riječi (engleski)
Jezikhrvatski
URN:NBNurn:nbn:hr:168:970317
Studijski programNaziv: Računarstvo
Vrsta studija: sveučilišni
Stupanj studija: diplomski
Akademski / stručni naziv: magistar/magistra inženjer/inženjerka računarstva (mag.ing.comp.)
Vrsta resursaTekst
Način izrade datotekeIzvorno digitalna
Prava pristupaZatvoreni pristup
Uvjeti korištenjaIkona licence Zaštićeno autorskim pravom.
Javna napomena
Datum i vrijeme pohrane2023-10-11 09:01:35