Исследование новых сценариев состязательных атак на нейронные сети распознавания образов в контексте поиска новых методов защиты

Авторы и правообладатели:

• Дюдюн Г. Д. , Северо-Кавказский федеральный университет (Ставрополь, Россия)
• Лапина М. А. , Северо-Кавказский федеральный университет (Ставрополь, Россия)
• Бабенко М. Г. , Северо-Кавказский федеральный университет (Ставрополь, Россия)

• 1. Intriguing properties of neural networks / C. Szegedy, W. Zaremba, I. Sutskever, J. Bruna, D. Erhan, I. Goodfellow, R. Fergus // arXiv preprint arXiv:1312.6199.2013.
• 2. Explaining and harnessing adversarial examples / I.J. Goodfellow, J. Shlens, C. Szegedy // arXiv preprint arXiv:1412.6572.2014.
• 3. The limitations of deep learning in adversarial settings / N. Papernot, P. McDaniel, S. Jha, M. Fredrikson, Z.B. Celik, S. Ananthram // 2016 IEEE European symposium on security and privacy (EuroS&P). – IEEE. – 2016. – Р. 372–387.
• 4. Towards deep learning models resistant to adversarial attacks / A. Madry, A. Makelov, L. Schmidt, D. Tsipras, A. Vladu // arXiv preprint arXiv:1706.06083.2017.
• 5. Adversarial attacks and defenses in images, graphs and text: A review / H. Xu, Y. Ma, H. Liu, D. Deb, H. Liu, J. Tang, A.K. Jain // International Journal of Automation and Computing. – 2020. – Vol. 17. – Р. 151–178.
• 6. Multi-column deep neural network for traffic sign classification / D. Ciresan, U. Meier, J. Masci, J. Schmidhuber // Neural Networks. – 2012. – Vol. 32. – P. 333–338.
• 7. Ivanyuk V.A. Neural networks and their analysis // Chronoeconomics. – 2021. – № 4 (32) [Электронный ресурс]. – URL: https://cyber leninka.ru/article/n/neyronnye-setii-ih-analiz, свободный (дата обращения: 28.09.2023).
• 8. Neuron networks – development prospects / K.S. Kachagina, A.D. Safarova // E-Scio. – 2021. – No. 2 (53) [Электронный ресурс]. – URL: https://cyberleninka.ru/article/n/ neyronnye-seti-perspektivy-razvitiya, свободный (дата обращения: 28.09.2023).
• 9. Investigation of adversarial attacks on pattern recognition neural networks / D.V. Kotlyarov, G.D. Dyudyun, N.V. Rzhevskaya, M.A. Lapina, M.G. Babenko // Proceedings of the Institute for System Programming of the RAS. – 2023. – Vol. 35, No. 2. – P. 35–48 [Электронный ресурс]. – URL: http://syrcose.ispras.ru/2023/submissions/SYRCoSE_2023_paper_1044.pdf, свободный (дата обращения: 15.01.2025).
• 10. Особенности организации атак на нейронные сети для распознавания образов / М.А. Лапина, Н.В. Ржевская, Д.В. Котляров, Г.Д. Дюдюн // Auditorium. – 2023. – № 2 (38). – С. 97–103 [Электронный ресурс]. – URL: https://www.elibrary.ru/item.asp?id=54117348, свободный (дата обращения: 28.09.2023).
• 11. Анализ методов обнаружения состязательных атак на глубокие нейронные сети / М.А. Лапина, Г.Д. Дюдюн, Д.В. Котляров // Матер. VIII Междунар. науч.-практ. конф. «Дистанционные образовательные технологии», «ДОТ–2023», 19–21 сентября 2023 г., Ялта. – С. 345–348 [Электронный ресурс]. – URL: http://elibrary.ru/item.asp?id=54606341, свободный (дата обращения: 28.09.2023).
• 12. Analysis of an existing method for detecting adversarial attacks on deep neural networks / M.A. Lapina, G.D. Dudun, D.V. Kotlyarov, N.V. Rjevskaya, S.J. Subramanian // Current Problems of Applied Mathematics and Computer Systems. CPAMCS 2023. Lecture Notes in Networks and Systems, – Vol. 1044. – Springer, – Cham [Электронный ресурс]. – URL: https://doi.org/10.1007/978-3-031-64010-0_29, свободный (дата обращения: 28.09.2023).