一种设计安全且弹性分布式支持向量机的博弈论方法
机器学习
2018-03-14 v1 机器学习
摘要
分布式支持向量机(DSVM)已被开发用于解决具有大量传感器和控制单元的网状系统中的大规模分类问题。然而,随着检测与防御变得日益困难且代价高昂,系统变得更加脆弱。本工作旨在对抗环境下开发安全且弹性的 DSVM 算法,其中攻击者可以操纵训练数据以实现其目标。我们建立一个博弈论框架来刻画攻击者与一组分布式数据处理单元之间的利益冲突。该博弈的纳什均衡能够预测对抗环境下学习算法的结果,并通过动态分布式学习算法增强机器学习的弹性。我们证明了该分布式算法的收敛性在无需训练数据或网络拓扑假设的情况下得到保证。数值实验被用于证实上述结果。我们表明网络拓扑在 DSVM 的安全性中起着重要作用。节点更少且平均度更高的网络更安全。此外,发现均衡网络较不易受攻击。
引用
@article{arxiv.1802.02907,
title = {A Game-Theoretic Approach to Design Secure and Resilient Distributed Support Vector Machines},
author = {Rui Zhang and Quanyan Zhu},
journal= {arXiv preprint arXiv:1802.02907},
year = {2018}
}
备注
arXiv admin note: text overlap with arXiv:1710.04677