ทีมผู้เชี่ยวชาญที่หลากหลายพัฒนาระบบป้องกันสำหรับเครือข่ายประสาทเทียม

ทีมผู้เชี่ยวชาญที่หลากหลายจากมหาวิทยาลัยมิชิแกนได้พัฒนาระบบป้องกันสำหรับเครือข่ายประสาทเทียมโดยอาศัยระบบภูมิคุ้มกันที่ปรับตัวได้ ระบบนี้สามารถป้องกันเครือข่ายประสาทเทียมจาก各种การโจมตีได้

กลุ่มที่ไม่ดีสามารถปรับเปลี่ยนอินพุตของอัลกอริทึมการเรียนรู้ลึกเพื่อทำให้ оноทำงานผิดพลาด ซึ่งเป็นปัญหาใหญ่สำหรับการใช้งาน เช่น การระบุ การมองเห็นของเครื่องจักร การประมวลผลภาษาธรรมชาติ (NLP) การแปลภาษา การตรวจจับข้อขัดแย้ง และอื่นๆ

ระบบการเรียนรู้ที่มีภูมิคุ้มกันแบบที่ปรับตัวได้

ระบบป้องกันที่สร้างขึ้นใหม่นี้เรียกว่า ระบบการเรียนรู้ที่มีภูมิคุ้มกันแบบที่ปรับตัวได้ (RAILS) ผลงานนี้ได้รับการตีพิมพ์ใน IEEE Access

อัลเฟรด เฮโร เป็นศาสตราจารย์ด้านวิศวกรรมศาสตร์แห่งมหาวิทยาลัยมิชิแกน และเป็นผู้นำการทำงานนี้

“RAILS เป็นแนวทางแรกในการเรียนรู้ที่มีภูมิคุ้มกันแบบที่ปรับตัวได้ ซึ่งทำงานแตกต่างจากระบบภูมิคุ้มกันที่มีอยู่แล้ว” เฮโรกล่าว

ทีมงานพบว่าเครือข่ายประสาทเทียมที่ได้รับแรงบันดาลใจจากสมองสามารถเลียนแบบกระบวนการทางชีววิทยาของระบบภูมิคุ้มกันของสัตว์เลี้ยงลูกด้วยนมได้ ระบบภูมิคุ้มกันนี้สร้างเซลล์ใหม่ที่ออกแบบมาเพื่อป้องกันเชื้อโรคเฉพาะ

อินดิกะ ราจาปักเซ เป็นรองศาสตราจารย์ด้านการแพทย์เชิงคำนวณและชีววิทยาสารสนเทศ และเป็นผู้นำการทำงานนี้

“ระบบภูมิคุ้มกันถูกสร้างขึ้นสำหรับการตื่นตัว มัน มีแนวคิดที่น่าสนใจและจะพบวิธีแก้ปัญหาเสมอ” ราจาปักเซกล่าว

เลียนแบบระบบภูมิคุ้มกัน

RAILS เลียนแบบการป้องกันตามธรรมชาติของระบบภูมิคุ้มกัน ซึ่งช่วยให้ระบุและจัดการกับอินพุตที่น่าสงสัยของเครือข่ายประสาทเทียม ทีมงานชีววิทยาศึกษาว่าระบบภูมิคุ้มกันที่ปรับตัวได้ของหนูตอบสนองต่อสารก่อภูมิแพ้ก่อนที่จะสร้างแบบจำลองของระบบภูมิคุ้มกัน

การวิเคราะห์ข้อมูลถูกดำเนินการโดย Stephen Lindsly ซึ่งเป็นนักศึกษาระดับ博士ในขณะนั้น Lindsly ช่วยแปลข้อมูลระหว่างนักชีววิทยาและวิศวกร ซึ่งช่วยให้ทีมของเฮโรสามารถสร้างแบบจำลองกระบวนการทางชีววิทยาบนคอมพิวเตอร์ได้

การป้องกันของ RAILS ถูกทดสอบด้วยอินพุตที่เป็นอันตราย

“เรายังไม่แน่ใจว่าเราได้เข้าใจกระบวนการทางชีววิทยาแล้วจนกว่าเราจะเปรียบเทียบการเรียนรู้ของ RAILS กับผลการทดลอง” เฮโรกล่าว “มันเหมือนกันอย่างสมบูรณ์”

RAILS ทำงานได้ดีกว่ากระบวนการเรียนรู้ของเครื่องจักรสองแบบที่ใช้ป้องกันการโจมตีแบบอันตรายที่นิยมใช้ในปัจจุบัน

เรน วัง เป็นนักวิจัยด้านวิศวกรรมไฟฟ้าและคอมพิวเตอร์ และมีส่วนร่วมในการพัฒนาและใช้งานซอฟต์แวร์นี้

“สิ่งที่น่าหวังมากในงานนี้คือว่าเฟรมเวิร์กทั่วไปของเราสามารถป้องกันการโจมตีหลายประเภทได้” วังกล่าว

นักวิจัยใช้การระบุภาพเป็นตัวอย่างในการประเมิน RAILS กับการโจมตีแบบอันตรายแปดแบบในหลายชุดข้อมูล มันแสดงให้เห็นถึงการปรับปรุงทั้งหมด และยังป้องกันการโจมตีแบบ Projected Gradient Descent ซึ่งเป็นการโจมตีแบบอันตรายที่สุด RAILS ยังปรับปรุงความแม่นยำโดยรวม

“这是一个很好的例子ในการใช้คณิตศาสตร์เพื่อทำความเข้าใจระบบที่สวยงามนี้” ราจาปักเซกล่าว “เราอาจจะนำสิ่งที่เรียนรู้จาก RAILS ไปช่วยให้ระบบภูมิคุ้มกันทำงานได้เร็วขึ้น”