LuanVan.vnLuận Văn
Gửi thư

Phát hiện và giảm thiểu tấn công đầu độc mô hình trong học liên kết bằng SVM một lớp và lịch sử tin cậy

Luận văn · Thạc sĩ · năm 2025 · đề tài tham khảo

Loại tài liệuLuận văn
Bậc họcThạc sĩ
NgànhXã hội, ngôn ngữ, y dược
Tác giảCao Thị Yến Khoa
Người hướng dẫnNguyễn Tấn Cầm
Cơ sở đào tạoĐại học Quốc gia TP. Hồ Chí Minh
Năm2025
NguồnThư viện số Đại học Quốc gia TP. Hồ Chí Minh · trang gốc

Tóm tắt

Học máy là một lĩnh vực nổi bật của trí tuệ nhân tạo, cung cấp cho hệ thống khả năng tự học hỏi và cải thiện hiệu suất dựa trên dữ liệu. Trong thực tế, dữ liệu thường được phân tán trên nhiều nơi khác nhau như thiết bị cá nhân của người dùng hay cơ sở dữ liệu của tổ chức. Việc tập trung dữ liệu để huấn luyện mô hình có thể đối mặt với những vấn đề quyền riêng tư và tính bảo mật. Năm 2017, Google đã giới thiệu thuật ngữ "Học liên kết" trong một nghiên cứu về việc áp dụng học máy trên các thiết bị di động mà không cần tập trung dữ liệu. Bên cạnh những ưu điểm, học liên kết cũng đối mặt với các hình thức tấn công đa dạng. Các tấn công có thể ở nhiều hình thức khác nhau với những mục đích như suy luận những thông tin riêng tư hay làm suy thoái hiệu suất của mô hình toàn cục. Trong đó tấn công đầu độc mô hình là một trong những hình thức tấn công phổ biến, có ảnh hưởng trực tiếp đến chất lượng mô hình mà học liên kết có nhiệm vụ hoàn thành. Nhiều giải pháp được đề xuất, tuy nhiên vẫn còn những hạn chế về mặt hiệu suất và triển khai như cần ước lượng trước số khách tấn công trong quá trình học, yêu cầu thêm tập dữ liệu để phát hiện tấn công hay độ phức tạp cao. Trong giai đoạn đề xuất, luận văn dự định mở rộng giải pháp GCAMA, một sự kết hợp giữa GradCAM và bộ mã hóa tự động với SVM một lớp và lịch sử tin cậy. Tuy nhiên, trong quá trình tìm hiểu sâu hơn và triển khai thực nghiệm, bộ mã hóa tự động cần được huấn luyện trên một tập dữ liệu thích hợp để có khả năng phát hiện bản đồ nhiệt GradCAM bất thường. Nhận thấy hướng đề xuất ban đầu không khả thi, luận văn đã tìm một giải pháp khác nhưng vẫn giữ các mục tiêu và nội dung nghiên cứu. Từ khảo sát tổng quan các công trình liên quan, phương pháp được đề xuất là sự kết hợp giữa việc quan sát độ tương quan giữa mô hình toàn cục với các bản cập nhật cục bộ và độ chênh lệch giữa hai bản cập nhật cục bộ liên tiếp của từng khách tham gia huấn luyện. Cụ thể, phương pháp sử dụng độ tương quan cosine và khoảng cách Euclidean trong việc nhận dạng các bản cập nhật bất thường trong từng vòng giao tiếp. Phương pháp đề xuất được triển khai thực nghiệm với hình thức tấn công thêm nhiễu ngẫu nhiên và tấn công đảo dấu. Qua triển khai đánh giá kết quả trên hai kịch bản khác nhau, phương pháp đề xuất đạt được độ chính xác trong việc phát hiện các bản cập nhật bất thường với 97.36% trên tập dữ liệu CIFAR-10 và 100% trên tập dữ liệu Malimg. Chương 1. Giới thiệu đề tài Chương 2. Tổng quan Chương 3. Phương pháp đề xuất Chương 4. Thực nghiệm và đánh giá kết quả Chương 5. Kết luận và khuyến nghị
Bản toàn văn lưu tại thư viện Đại học Quốc gia TP. Hồ Chí Minh

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn xã hội, ngôn ngữ, y dược · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.