Evasion Attacks on Cost-Utility-Based Adversarial Training for Online AutoML in IoT Networks

arXiv cs.CR · 29 sept, 06:00

Investigación sobre ataques de evasión contra sistemas de defensa basados en entrenamiento adversarial en redes IoT. El estudio evalúa cómo algoritmos de aprendizaje en línea (Hoeffding Tree, Leveraging Bagging, Streaming Random Patches, etc.) pueden ser engañados para producir predicciones incorrectas, y propone defensas mediante entrenamiento adversarial con restricciones de coste-utilidad.