ارائه­ دهنده:
زهرا دهقانی محمدآبادی

 استاد راهنما:
دکتر محمدرضا کنگاوری

هیات داوری: 
 دکتر بهروز مینایی
دکتر سعید فرضی

زمان:
 ۱۴۰۲/۰۴/۱۰

ساعت ۱۵:۰۰
 

خانم زهرا دهقانی محمدآبادی دانشجوی کارشناسی ارشد دکتر محمدرضا کنگاوری روز شنبه ۱۰ تیرماه ساعت ۱۵:۰۰ از پروژه کارشناسی ارشد خود تحت عنوان "ارائه روشی برای دفاع در برابر نمونه­ های خصمانه براساس افزایش قابلیت انتقال" دفاع خواهند نمود.

چکیده پایان نامه:                             
امروزه شبکه ­های عصبی عمیق به عنوان بهترین گزینه­ برای حل مسائل مختلف، از جمله طبقه ­بندی متن، به کار برده می­شوند. اما این نوع از شبکه­ ها علاوه بر کارایی بالایی که از خود نشان داده اند، دارای مشکلاتی نیز هستند. یکی از مهمترین مشکل شبکه ­های عصبی عمیق، عدم وجود پایداری در این شبکه ها است. یکی از مهم­ترین عللی که می­تواند منجر به ناپایداری در شبکه ­های عصبی شود، حملات خصمانه است. محققان همواره به دنبال روشی برای مقابله با این نوع از حملات بوده­اند. یکی از روش­های پیشنهادی برای دفاع در برابر حملات خصمانه، یادگیری خصمانه است. به این صورت که ابتدا تعدادی نمونه خصمانه براساس یکی از روش­های حمله خصمانه تولید می­شود و سپس مدل با استفاده از نمونه­ های خصمانه آموزش داده می­شود. در فرایند آموزش خصمانه خلاهایی وجود دارد که در این پایان­ نامه به دنبال رفع آن­ها هستیم. یکی از مهم­ترین این خلاها، مربوط به نحوه انتخاب روش حمله­ های است که نمونه خصمانه براساس آن تولید شود. این روش حمله باید چه ویژگی داشته باشد که بتوان کارایی بالاتری در آموزش خصمانه به دست آورد.  در این پژوهش پاسخ به سوال طرح شده بر اساس قابلیت انتقال­ پذیری نمونه­ های خصمانه صورت گرفته است. هدف ما در این پایان نامه، استفاده از ویژگی انتقال­ پذیری برای انتخاب بهترین روش حمله به منظور استفاده در یادگیری خصمانه به عنوان یک راه برای دفاع در برابر حملات خصمانه است. نتایج تحقیق نشان می­دهد که درصد موفقیت حمله در مدل پایدار شده توسط انتقال­ پذیرترین، نسبت به مدل اولیه، کاهش پیدا کرده است که این مورد بیانگر افزایش پایداری مدل است.

واژه‌های کلیدی: پایداری، دفاع، قابلیت انتقال، نمونه­ های خصمانه