本研究论文评估了对抗性训练（AT）作为一种防御机制，在物联网（IoT）网络在线 AutoML 管道中抵御投毒攻击的有效性。该研究专门检查了针对各种支持流式传输的 AutoML 学习器（包括 Hoeffding Tree、Leveraging Bagging、Adaptive Random Forest、Hoeffding Adaptive Tree 和 Streaming Random Patches）的标签翻转和噪声注入攻击。结果表明，AT-Streaming Random Patches 在对抗标签翻转投毒方面取得了最高的 F1 分数（0.904），而 AT-Leveraging Bagging 在对抗噪声注入投毒方面表现最佳（0.933）。 AI
影响 这项研究突显了物联网机器学习系统潜在的漏洞，并评估了抵御数据投毒攻击的防御机制。
排序理由 这是一篇研究论文，详细介绍了针对机器学习攻击的防御策略评估。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- Adaptive Random Forest
- Hoeffding Adaptive Tree
- Hoeffding Tree Algorithms for Anomaly Detection in Streaming Datasets: A Survey
- Hugging Face
- Internet of Things
- Leveraging Bagging for Evolving Data Streams
- machine learning
- Streaming Random Patches
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
