Framework Bayesiani come soluzione ai problemi di classificazione adversarial

Bayes

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

Sono Head of Artificial Intelligence di SNGLR Holding AG, un gruppo svizzero specializzato in tecnologie esponenziali con sedi in Europa, USA e UAE, dove curo i programmi inerenti all'intelligenza artificiale. Dopo la laurea in Management ho conseguito una specializzazione in Business Analytics a Wharton, una certificazione Artificial Intelligence Professional da IBM e una sul machine learning da Google Cloud. Ho trascorso la maggior parte della carriera – trent'anni - nel settore della cybersecurity, dove fra le altre cose sono stato consigliere del Ministro delle Comunicazioni e consulente di Telespazio (gruppo Leonardo). Oggi mi occupo prevalentemente di intelligenza artificiale, con consulenze sull'AI presso aziende private e per la Commissione Europea, dove collaboro con la European Defence Agency e il Joint Research Centre. Questo blog è personale.