Buscar


Mostrar el registro sencillo del ítem

dc.rights.license http://creativecommons.org/licenses/by-nc-nd/4.0 es_ES
dc.contributor Sebastián Salazar Colores es_ES
dc.contributor E. Ulises Moya Sánchez es_ES
dc.contributor Saúl Tovar Arriaga es_ES
dc.contributor Marco Antonio Aceves Fernández es_ES
dc.contributor Juan Manuel Ramos Arreguín es_ES
dc.creator Oscar Garcia Porras es_ES
dc.date 2023-11-01
dc.date.accessioned 2024-03-15T15:43:10Z
dc.date.available 2024-03-15T15:43:10Z
dc.date.issued 2023-11-01
dc.identifier.uri https://ri-ng.uaq.mx/handle/123456789/10337
dc.description El propósito de los ataques adversarios es modificar los datos suministrados a modelos de Inteligencia Artificial (IA) para causar fallas en la tarea para la que fueron diseñados. Las redes neuronales convolucionales (ConvNet) son unos los modelos de IA desarrollados para tareas de visión por computadora (e.g. detección, segmentación, y clasificación). ConvNets del estado del arte han mejorado su desempeño, permitiendo confiar en su uso para tareas de la vida real. Sin embargo, se ha demostrado que las ConvNet son vulnerables ante los ataques adversarios, y esto puede ocasionar fallas graves en tareas que requieren alta seguridad en su ejecución (e.g. fines médicos, conducción autónoma, reconocimiento facial, y finanzas). Por lo cual, es necesario complementar las ConvNet con métodos de defensa que las hagan más robustas. Esta tesis continua la implementación de la novedosa capa monogénica bioinspirada [1, 2], ahora como método de defensa contra ataques adversarios, cuyo propósito en esta investigación es contrarrestar las afectaciones causadas por un ataque adversario Descenso de Gradiente Proyectado (PGD, por sus siglas en inglés) con métrica de distancia Linf. El método de defensa está basado en el uso de una capa monogénica determinista al frente de una ConvNet ResNet50 utilizada para la clasificación de imágenes con el conjunto de datos CIFAR10. Los resultados muestran mejor desempeño para la ConvNet ResNet50 con capa monogénica que una ConvNet ResNet50 común, y que un segundo modelo con entrenamiento robusto como método de defensa. Los resultados obtenidos pueden ser interpretados como un incremento en la resistencia al ataque adversario, y fiabilidad en su uso para modelos de IA. Las métricas Medición del Índice de Similitud Estructural (SSIM, por sus siglas en inglés) y Proporción Máxima Señal-Ruido (PSNR, por sus siglas en inglés) fueron aplicadas en las activaciones de la capa monogénica con el fin de obtener una explicación cuantitativa de la mejora. Los resultados obtenidos de esta investigación exponen el uso potencial de la capa monogénica para confrontar ataques adversarios, y motiva la continuidad de expansión del conocimiento de la señal monogénica utilizada para propósitos de IA. es_ES
dc.format Adobe PDF es_ES
dc.language.iso spa es_ES
dc.publisher Universidad Autónoma de Querétaro es_ES
dc.relation.requires Si es_ES
dc.rights Acceso Abierto es_ES
dc.subject Inteligencia artificial es_ES
dc.subject Ataques adversarios es_ES
dc.subject Redes neuronales profundas es_ES
dc.subject Clasificación de imágenes es_ES
dc.subject Señal monogénica es_ES
dc.subject.classification INGENIERÍA Y TECNOLOGÍA es_ES
dc.title Análisis de redes neuronales profundas con capas monogénicas para robustecer su seguridad frente ataques adversarios para la clasificación de imágenes es_ES
dc.type Tesis de maestría es_ES
dc.creator.tid curp es_ES
dc.contributor.tid ORCID es_ES
dc.creator.identificador GAPO900811HHGRRS08 es_ES
dc.contributor.identificador 0000-0002-6353-0864 es_ES
dc.contributor.role Director es_ES
dc.contributor.role Secretario es_ES
dc.contributor.role Vocal es_ES
dc.contributor.role Suplente es_ES
dc.contributor.role Suplente es_ES
dc.degree.name Maestría en Ciencias en Inteligencia Artificial es_ES
dc.degree.department Facultad de Ingeniería es_ES
dc.degree.level Maestría es_ES


Ficheros en el ítem

Thumbnail
Nombre: IGMAC-311374 (Pdf ...
Tamaño: 1.576Mb
Formato: PDF
Ver/

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem