but.committee	doc. Ing. František Zbořil, Ph.D. (předseda) doc. Mgr. Adam Rogalewicz, Ph.D. (místopředseda) Ing. Matěj Grégr, Ph.D. (člen) Ing. Michal Hradiš, Ph.D. (člen) Ing. Lukáš Kekely, Ph.D. (člen)	cs
but.defence	Student nejprve prezentoval výsledky, kterých dosáhl v rámci své práce. Komise se poté seznámila s hodnocením vedoucího a posudkem oponenta práce. Student následně odpověděl na otázky oponenta a na další otázky přítomných. Komise se na základě posudku oponenta, hodnocení vedoucího, přednesené prezentace a odpovědí studenta na položené otázky rozhodla práci hodnotit stupněm B. Otázky u obhajoby: Jaké struktury (hloubky a použité vrstvy) neuronových sítí byly použity v rámci experimentů - vlastní navržené nebo dostupné z literatury? Jak by se změnila robustnost vůči útokům, pokud by byly použity sítě s více či méně vrstvami? Jak generujete Adversarial Examples? Jak dlouho generování trvá? Kolik procent času zabere generování?	cs
but.jazyk	angličtina (English)
but.program	Informační technologie	cs
but.result	práce byla úspěšně obhájena	cs
dc.contributor.advisor	Češka, Milan	en
dc.contributor.author	Gaňo, Martin	en
dc.contributor.referee	Matyáš, Jiří	en
dc.date.created	2020	cs
dc.description.abstract	Tato práce pojednává o kontradiktorních útocích na klasifikační modely neuronových sítí. Naším cílem je shrnout a demonstrovat kontradiktorní metody a ukázat, že představují vážný problém v strojovém učení. Důležitým přínosem této práce je implementace nástroje pro trénink robustního modelu na základě kontradiktorních příkladů. Náš přístup spočívá v minimalizaci maximalizace chybové funkce cílového modelu. Související práce a naše vlastní experimenty nás vedou k použití Projektovaného gradientního sestupu jako cílového útoku, proto trénujeme proti datům generovaným Projektovaným gradientním sestupem. Výsledkem použití nástroje je, že můžeme dosáhnout přesnosti více než 90% proti sofistikovaným nepřátelským útokům.	en
dc.description.abstract	This work discusses adversarial attacks to image classifier neural network models. Our goal is to summarize and demonstrate adversarial methods to show that they pose a serious issue in machine learning. The important contribution of this work is the implementation of a tool for training a robust model against adversarial examples. Our approach is to minimize maximization the loss function of the target model. Related work and our own experiments leads us to use Projected gradient descent as a target attack, therefore, we train against data generated by Projected gradient descent. As a result using the framework, we can achieve accuracy more than 90% against sophisticated adversarial attacks.	cs
dc.description.mark	B	cs
dc.identifier.citation	GAŇO, M. Improving Robustness of Neural Networks against Adversarial Examples [online]. Brno: Vysoké učení technické v Brně. Fakulta informačních technologií. 2020.	cs
dc.identifier.other	129234	cs
dc.identifier.uri	http://hdl.handle.net/11012/191713
dc.language.iso	en	cs
dc.publisher	Vysoké učení technické v Brně. Fakulta informačních technologií	cs
dc.rights	Standardní licenční smlouva - přístup k plnému textu bez omezení	cs
dc.subject	Neuronové sítě	en
dc.subject	Optimalizace	en
dc.subject	Strojové učení	en
dc.subject	Kontradiktorní útok	en
dc.subject	Kontradiktorní vzorek	en
dc.subject	Robustnost	en
dc.subject	Kontradiktorní strojové učení	en
dc.subject	Neural networks	cs
dc.subject	Optimization	cs
dc.subject	Machine learning	cs
dc.subject	Adversarial attack	cs
dc.subject	Adversarial examples	cs
dc.subject	Robustness	cs
dc.subject	Adversarial machine learning	cs
dc.title	Improving Robustness of Neural Networks against Adversarial Examples	en
dc.title.alternative	Improving Robustness of Neural Networks against Adversarial Examples	cs
dc.type	Text	cs
dc.type.driver	bachelorThesis	en
dc.type.evskp	bakalářská práce	cs
dcterms.dateAccepted	2020-07-13	cs
dcterms.modified	2020-07-13-23:43:55	cs
eprints.affiliatedInstitution.faculty	Fakulta informačních technologií	cs
sync.item.dbid	129234	en
sync.item.dbtype	ZP	en
sync.item.insts	2025.03.18 19:32:24	en
sync.item.modts	2025.01.15 14:28:28	en
thesis.discipline	Informační technologie	cs
thesis.grantor	Vysoké učení technické v Brně. Fakulta informačních technologií. Ústav inteligentních systémů	cs
thesis.level	Bakalářský	cs
thesis.name	Bc.	cs

Improving Robustness of Neural Networks against Adversarial Examples

Files

Original bundle

Collections