Per classificazione antagonista (adversarial classification) si intendono quei problemi dove una parte tenta di eludere la corretta classificazione a opera di un’altra parte, ad esempio un malware per PC che cerca di passare come innocuo agli occhi del software di sicurezza. Visto il crescente utilizzo di tecniche di machine learning all’interno della cybersecurity – sia per realizzare attacchi sia per erigere sistemi di difesa – anche la classificazione antagonista sta assumendo un’importanza sempre maggiore nell’industria.
Uno studio (pdf) pubblicato pochi giorni fa da cinque matematici, fra cui lo spagnolo David Ríos Insua e il Dirigente di Ricerca del CNR-IMATI Fabrizio Ruggeri, propone l’utilizzo di un framework propabilistico Bayesiano per ovviare alle lacune degli attuali metodi basati per lo più sulla teoria dei giochi.
Per accedere alla ricerca: Protecting Classifiers From Attacks A Bayesian Approach
