针对基于 EEG 信号的风险评估系统的数据投毒攻击
信号处理
2023-02-09 v1
摘要
利用脑电图（EEG）信号的工业内部人风险评估一直吸引大量研究关注。然而，基于 EEG 信号、可评估人类情绪状态的风险评估系统已显示出对数据投毒攻击的若干脆弱性。本文从攻击者视角出发，研究在不同机器学习模型训练阶段发生的标签翻转数据投毒攻击，侵入使用这些机器学习模型的基于 EEG 信号的风险评估系统。本文旨在提出两类标签翻转方法，以攻击专用于基于 EEG 信号分类 4 种不同人类情绪的机器学习分类器，包括自适应提升（AdaBoost）、多层感知机（MLP）、随机森林与 K 近邻（KNN）。旨在降低上述机器学习模型在分类任务上的性能。实验结果表明，所提数据投毒攻击具有模型无关的有效性，而不同模型对数据投毒攻击的抵御能力各异。
引用
@article{arxiv.2302.04224,
title = {Data Poisoning Attacks on EEG Signal-based Risk Assessment Systems},
author = {Zhibo Zhang and Sani Umar and Ahmed Y. Al Hammadi and Sangyoung Yoon and Ernesto Damiani and Chan Yeob Yeun},
journal= {arXiv preprint arXiv:2302.04224},
year = {2023}
}
备注
2nd International Conference on Business Analytics For Technology and Security (ICBATS)