論文の概要: Sonic: Fast and Transferable Data Poisoning on Clustering Algorithms

• arxiv url: http://arxiv.org/abs/2408.07558v1
• Date: Wed, 14 Aug 2024 13:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-15 13:03:36.505462
• Title: Sonic: Fast and Transferable Data Poisoning on Clustering Algorithms
• Title（参考訳）: Sonic: クラスタリングアルゴリズムによる高速で転送可能なデータポリシ
• Authors: Francesco Villani, Dario Lazzaro, Antonio Emanuele Cinà, Matteo Dell'Amico, Battista Biggio, Fabio Roli,
• Abstract要約: 本稿では,クラスタリングアルゴリズムに対する新規な遺伝的データ中毒攻撃であるSonicを提案する。 対象クラスタリングアルゴリズムに対するSonicの有効性と効率を実証的に実証した。 次に、クラスタリングアルゴリズムに対する中毒攻撃のスケーラビリティと伝達性に影響を与える要因を包括的に分析する。
• 参考スコア（独自算出の注目度）: 11.146262310359758
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data poisoning attacks on clustering algorithms have received limited attention, with existing methods struggling to scale efficiently as dataset sizes and feature counts increase. These attacks typically require re-clustering the entire dataset multiple times to generate predictions and assess the attacker's objectives, significantly hindering their scalability. This paper addresses these limitations by proposing Sonic, a novel genetic data poisoning attack that leverages incremental and scalable clustering algorithms, e.g., FISHDBC, as surrogates to accelerate poisoning attacks against graph-based and density-based clustering methods, such as HDBSCAN. We empirically demonstrate the effectiveness and efficiency of Sonic in poisoning the target clustering algorithms. We then conduct a comprehensive analysis of the factors affecting the scalability and transferability of poisoning attacks against clustering algorithms, and we conclude by examining the robustness of hyperparameters in our attack strategy Sonic.
• Abstract（参考訳）: クラスタリングアルゴリズムに対するデータ中毒攻撃は限定的であり、既存の手法ではデータセットのサイズや機能数が増加するにつれて、効率的にスケールするのに苦労している。 これらの攻撃は通常、予測を生成してアタッカーの目標を評価するために、データセット全体を複数回再クラスタする必要があるため、スケーラビリティを著しく損なう。 本稿では,HDBSCANなどのグラフベースおよび密度ベースのクラスタリング手法に対する攻撃を加速するために,段階的かつスケーラブルなクラスタリングアルゴリズムであるFISHDBCをサロゲートとして活用する,新たな遺伝的データ中毒攻撃であるSonicを提案する。 対象クラスタリングアルゴリズムに対するSonicの有効性と効率を実証的に実証した。 次に、クラスタリングアルゴリズムに対する中毒攻撃のスケーラビリティと伝達性に影響を与える要因を包括的に分析し、攻撃戦略Sonicにおけるハイパーパラメータの堅牢性を検討することで結論付ける。

関連論文リスト

• The importance of the clustering model to detect new types of intrusion in data traffic [0.0]
  提案手法では,クラスタリング手法としてK-meansアルゴリズムを用いる。 データはKali Linux環境、cicflowmeterトラフィック、Putty Softwareツールを利用して収集された。 モデルは攻撃を数え、それぞれに番号を割り当てた。
  論文  参考訳（メタデータ） (2024-11-21T19:40:31Z)
• Improving robustness of jet tagging algorithms with adversarial training [56.79800815519762]
  本研究では,フレーバータグ付けアルゴリズムの脆弱性について,敵攻撃による検証を行った。 シミュレーション攻撃の影響を緩和する対人訓練戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-25T19:57:19Z)
• Tk-merge: Computationally Efficient Robust Clustering Under General Assumptions [0.0]
  トリミングされたk平均と階層的アグロメレーションに基づく2段階のハイブリッドロバストクラスタリングアルゴリズムを提案する。 また、本手法の自然な一般化と、データ駆動方式で汚染量を推定する適応的な手順を提案する。
  論文  参考訳（メタデータ） (2022-01-17T13:05:05Z)
• Meta Adversarial Perturbations [66.43754467275967]
  メタ逆境摂動(MAP)の存在を示す。 MAPは1段階の上昇勾配更新によって更新された後、自然画像を高い確率で誤分類する。 これらの摂動は画像に依存しないだけでなく、モデルに依存しないものであり、単一の摂動は見えないデータポイントと異なるニューラルネットワークアーキテクチャにまたがってうまく一般化される。
  論文  参考訳（メタデータ） (2021-11-19T16:01:45Z)
• Fairness Degrading Adversarial Attacks Against Clustering Algorithms [35.40427659749882]
  そこで本研究では,k-medianクラスタリングのためのフェアネス劣化攻撃アルゴリズムを提案する。 生成した対数サンプルの追加により、フェアネス値が大幅に低下することが判明した。
  論文  参考訳（メタデータ） (2021-10-22T19:10:27Z)
• Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
  少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。 近年の取り組みは、他の等級のl_infty摂動と組み合わせている。 本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-10T20:11:36Z)
• Scalable Hierarchical Agglomerative Clustering [65.66407726145619]
  既存のスケーラブルな階層的クラスタリング手法は、スピードの質を犠牲にする。 我々は、品質を犠牲にせず、数十億のデータポイントまでスケールする、スケーラブルで集約的な階層的クラスタリング法を提案する。
  論文  参考訳（メタデータ） (2020-10-22T15:58:35Z)
• A black-box adversarial attack for poisoning clustering [78.19784577498031]
  本稿では,クラスタリングアルゴリズムのロバスト性をテストするために,ブラックボックス対逆攻撃法を提案する。 我々の攻撃は、SVM、ランダムフォレスト、ニューラルネットワークなどの教師付きアルゴリズムに対しても転送可能であることを示す。
  論文  参考訳（メタデータ） (2020-09-09T18:19:31Z)
• Bayesian Optimization with Machine Learning Algorithms Towards Anomaly Detection [66.05992706105224]
  本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。 ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。 実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-08-05T19:29:35Z)
• Regularisation Can Mitigate Poisoning Attacks: A Novel Analysis Based on Multiobjective Bilevel Optimisation [3.3181276611945263]
  機械学習(ML)アルゴリズムは、アルゴリズムのパフォーマンスを意図的に劣化させるためにトレーニングデータの一部が操作される、中毒攻撃に対して脆弱である。 2レベル問題として定式化できる最適毒殺攻撃は、最悪のシナリオにおける学習アルゴリズムの堅牢性を評価するのに役立つ。 このアプローチはアルゴリズムの堅牢性に対する過度に悲観的な見方をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-02-28T19:46:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。