.png){kind=icon}
返回
Adversarial Attacks and Data-Driven Dynamic Outlier Detection Systems
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-031-94895-4_22.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统离群点检测方法在动态环境中由于存在变化的数据、模式和对立影响而容易失效。解决攻击者的问题并理解攻击的影响对于提高离群点检测的可靠性至关重要。动态数据驱动应用系统与对立决策模型的交叉为支持离群点检测方法的防御提供了机会。本文重点研究针对基于聚类的离群点检测的对立攻击。我们探讨了数据投毒情况下攻击者的决策问题，并考虑了各种攻击替代方案。我们通过一个涉及医疗欺诈检测的案例研究来说明这些攻击。然后，我们讨论了潜在的对立风险评估和动态数据驱动应用系统的概念，这些概念能够使防御者主动减轻恶意动态数据操纵的影响，同时考虑信息不完整性和不确定性。
Keyword:
DDDAS
Dynamic Data Driven Applications Systems
InfoSymbiotic Systems
Adversarial attack and defense
Adversarial Unsupervised Learning
期刊
机构
引用论文
.png){kind=icon}
Multivariate outlier detection in medicare claims payments applying probabilistic programming methods应用概率编程方法在医疗保险索赔支付中的多变量异常值检测
PREAI
分享收藏分享收藏分享收藏
查看更多内容