Idegi hálózatok és kereskedelem. Hírlevél feliratkozás
Tartalom
A gépi tanulás szórakoztató 8. Nézze meg a teljes sorozatot: 1. Óriási frissítés: E cikk alapján új könyvet írtam! Nem csak az összes cikk kibővítését és frissítését szolgálja, de rengeteg vadonatúj tartalmat és rengeteg praktikus kódolási projektet tartalmaz.
Nézze meg most! Szinte mindaddig, amíg a programozók számítógépes programokat írtak, a számítógépes hackerek idegi hálózatok és kereskedelem ezeket a programokat.
A rosszindulatú hackerek kihasználják a programok legapróbb hibáit, hogy behatoljanak a rendszerekbe, ellopják az adatokat és általában pusztítsanak el pusztítást. De a mély tanulási algoritmusok által támasztott rendszereknek biztonságosnak kell lenniük az emberi beavatkozástól, igaz? Hogyan hackerek haladnak át egy terabájtnyi adaton kiképzett neurális hálózaton?
Kiderült, hogy még a legfejlettebb mély idegi hálókat is könnyen becsaphatják.
Hálózat 1 (alapvető ismeretek, ip cím, netmask, stb) 2019-12-05
Néhány trükkövel kényszerítheti őket a kívánt eredmény előrejelzésére: Tehát mielőtt elindítanánk egy új rendszert, amelyet mély idegi hálózatok hajtanak végre, tanuljuk meg pontosan, hogyan lehet ezeket megtörni, és mit tehetünk a támadókkal szembeni védelem érdekében.
Neurális hálók biztonsági őrökként Képzeljük el, hogy olyan aukciós webhelyet működtetünk, mint az Ebay. Webhelyünkön meg akarjuk akadályozni, hogy az emberek tiltott tárgyakat - például élő állatokat - értékesítsenek.
Az ilyen típusú szabályok betartása nehéz, ha több millió felhasználója van. Száz embert bérelhetünk fel minden aukciós ajánlat kézi áttekintésére, de ez költséges lenne. Ehelyett a mélyreható tanulás segítségével automatikusan ellenőrizhetjük az aukciós képeket tiltott tárgyakról, és megjelölhetjük azokat, amelyek megsértik a szabályokat.
Ez egy tipikus képminősítési probléma. Ennek felépítéséhez egy mély konvolúciós neurális hálózatot képzünk, hogy megmondhassuk a tiltott tárgyakat, kivéve az engedélyezett tételeket, majd rajta keresztül futtatjuk a webhelyünkön található összes fotót. Először is több ezer kép adatkészletre van szükségünk a korábbi aukciós aukciókból.
- Tanfolyamok és pénzkereseti módszerek 999
- Cerich bináris opciók
- Kereskedési betét
Szükségünk van mind az engedélyezett, mind a tiltott tárgyak képeire, hogy az ideghálózatot kiképezzük, hogy különválaszthassuk őket: Az ideghálózat kiképzéséhez a standard visszaterjedési algoritmust használjuk. Ez egy algoritmus, ha átjutunk egy képzési képbe, átadjuk a kép elvárt eredményét, majd visszamegyünk az ideghálózat minden rétegén, kissé módosítva a súlyukat, hogy kicsit jobban képesek legyenek keresni a bitcoinok megtérülését kép megfelelő kimenetének előállításához.
A gépi tanulás szórakoztató 8. rész: Hogyan kell szándékosan becsapni a neurális hálókat
A végeredmény egy neurális hálózat, amely megbízhatóan osztályozhatja a képeket: Megjegyzés: Ha részletesebb információt szeretne arról, hogy a konvolúciós neurális hálózatok hogyan felismerik a képeken lévő objektumokat, akkor olvassa el a 3. De a dolgok nem olyan megbízhatóak, mint amilyennek látszik A konvolúciós neurális hálózatok olyan erőteljes modellek, amelyek figyelembe veszik az egész képet osztályozásuk során.
Felismerik az összetett formákat és mintákat, függetlenül attól, hogy hol jelennek meg a képen.
Számos képfelismerési feladat során ezek egyenértékűek vagy akár legyőzik az emberi teljesítményt. Ilyen képzeletbeli modell esetén a kép néhány pixelének sötétebbre vagy világosabbra változtatása nem gyakorolhat nagy hatást a végső előrejelzésre, igaz?
De egy híres, az ideghálózatok érdekes tulajdonságai című, ban írt cikkben felfedezték, idegi hálózatok és kereskedelem ez nem mindig igaz.
- Mi a különbség a mély tanulás és a szokásos gépi tanulás között?
- Mi a különbség a mély tanulás és a szokásos gépi tanulás között?
Ha pontosan tudja, mely pixeleket kell megváltoztatni, és pontosan mennyit kell megváltoztatni, akkor szándékosan arra kényszerítheti a neurális hálózatot, hogy előre jelezze egy adott kép rossz kimenetet anélkül, hogy a kép megjelenését nagyban megváltoztatná. Ez azt jelenti, hogy szándékosan elkészíthetünk egy képet, amely egyértelműen tiltott tárgy, de teljesen becsapja ideghálózatunkat: Miért ez? A gépi tanulási osztályozó úgy működik, hogy megkülönbözteti a vonalakat azok között a dolgok között, amelyeket megpróbál megkülönböztetni.
Megtalált egy vonalat, amely tökéletesen elválasztja az összes zöld pontot a piros ponttól. De mi van, ha azt akarjuk becsapni, hogy tévesen osztályozzuk az egyik piros pontot zöld pontnak?
Mekkora minimális összeget tudunk áthelyezni egy piros ponttal, hogy zöld területre toljuk? Ha hozzáadunk egy kis összeget a határ melletti piros pont Y értékéhez, alig tudjuk átvinni zöld területre: Tehát egy osztályozó becsapásához csak annyit kell tudnunk, hogy melyik irányba toljuk a pontot, hogy a vonal fölé kerüljön.
És ha nem akarjuk, hogy túlságosan nyilvánvalóak legyenek a bolondoktól, akkor ideális esetben a lehető legkisebbre mozgatjuk a pontot, így csak őszinte hibának tűnik.
- Végül, a modern hibrid neurális fuzzy rendszerekben a neurális hálókat és a fuzzy modelleket egyetlen homogén architektúrává kombinálják.
