Monipuolinen asiantuntijaryhmä kehittää puolustusjärjestelmän neuroverkoille

Michiganin yliopistossa työskentelevä monipuolinen insinöörien, biologien ja matemaatikkojen ryhmä on kehittänyt adaptiivisen immuunijärjestelmän perusteella toimivan puolustusjärjestelmän neuroverkoille. Järjestelmä pystyy puolustamaan neuroverkkoja erilaisia hyökkäyksiä vastaan.

Pahantahtoiset ryhmät voivat muuttaa syväoppimisalgoritmien syötettä ohjatakseen niitä väärään suuntaan, mikä voi olla suuri ongelma sovelluksille kuten tunnistamiselle, kone näölle, luonnollisen kielen prosessoinnille (NLP), kielien kääntämiselle, riidan havaitsemiselle ja monille muille.

Robusti Adversarial Immune-Inspired Learning System

Uusi puolustusjärjestelmä on nimeltään Robusti Adversarial Immune-Inspired Learning System. Työ on julkaistu IEEE Access-julkaisussa.

Alfred Hero on John H. Hollandin niminen yliopiston professori. Hän johti työtä.

“RAILS edustaa ensimmäistä vastustuskykyistä oppimista, joka perustuu adapatiiviseen immuunijärjestelmään, joka toimii eri tavoin kuin luontainen immuunijärjestelmä”, Hero sanoi.

Tutkijat totesivat, että syvät neuroverkkorakenteet, jotka ovat jo inspiroitu aivoista, voivat myös jäljitellä nisäkkäiden immuunijärjestelmän biologista prosessia. Tämä immuunijärjestelmä luo uusia soluja, jotka on suunniteltu puolustamaan tiettyjä patogeneja.

Indika Rajapakse on laskennallisen lääketieteen ja bioinformatiikan apulaisprofessori sekä tutkimuksen johtaja.

“Immuunijärjestelmä on rakennettu yllätyksille. Se on upea suunnittelu ja aina löytää ratkaisun”, Rajapakse sanoi.

Immuunijärjestelmän jäljittely

RAILS jäljittelee immuunijärjestelmän luonnollisia puolustuskeinoja, mikä mahdollistaa epäilyttävien syötteiden tunnistamisen ja käsittelyn neuroverkossa. Biologit tutkivat ensin, miten hiirten adaptaattiset immuunijärjestelmät reagoivat antigeeniin ennen kuin loivat mallin immuunijärjestelmästä.

Tietojen analyysi tehtiin Stephen Lindslyllä, joka oli silloin bioinformatiikan tohtorikoulutettava. Lindsly auttoi tietojen kääntämisessä biologien ja insinöörien välillä, mikä mahdollisti Heron tiimin mallintaa biologista prosessia tietokoneilla. Tämä tehtiin yhdistämällä biologiset mekanismit koodiin.

RAILS-puolustusjärjestelmää testattiin vastustuskykyisillä syötteillä.

“Emme olleet varmoja, että olimme todella kaapanneet biologisen prosessin, kunnes vertasimme RAILSin oppimiskäyriä kokeista saatuihin käyriin”, Hero sanoi. “Ne olivat täsmälleen samat.”

RAILS suoriutui kahden yleisimmän koneoppimismenetelmän paremmin, jotka ovat tällä hetkellä käytössä vastustuskykyisten hyökkäysten torjumiseen. Nämä kaksi menetelmää ovat Roust Deep k-Nearest Neighbor ja konvoluutio neuroverkot.

Ren Wang on sähkö- ja tietokonetekniikan tutkija. Hän oli vastuussa ohjelmiston kehittämisestä ja toteuttamisesta.

“Yksi lupaava asia tässä työssä on, että yleinen kehysmme voi puolustaa erilaisia hyökkäyksiä”, Ren Wang sanoi.

Tutkijat käyttivät kuvatunnistusta testitapauksena arvioidakseen RAILSia kahdeksaa eri hyökkäystyyppiä vastaan eri tietojoukoissa. Se osoitti parannuksia kaikissa tapauksissa, ja se suojeli jopa Projected Gradient Descent -hyökkäystä vastaan, joka on vaarallisimpia hyökkäytyyppejä. RAILS paransi myös yleistä tarkkuutta.

“Tämä on upea esimerkki matematiikan käytöstä tämän kauniin dynaamisen järjestelmän ymmärtämiseen”, Rajapakse sanoi. “Meidän on mahdollista ottaa siitä, mitä olemme oppineet RAILSista, ja auttaa ohjelmoimaan immuunijärjestelmää toimimaan nopeammin.”