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

Mi sono appassionato all'intelligenza artificiale da quando ho potuto vedere all'opera i primi sistemi esperti negli anni '80. Già dal 1989 mi occupavo di cybersecurity (analizzando i primi virus informatici) ma non ho mai smesso di seguire gli sviluppi dell'AI. Dopo la laurea in Management ho conseguito una specializzazione in Business Analytics a Wharton e una certificazione Artificial Intelligence Professional da IBM. Sono socio fondatore del chapter italiano di Internet Society, membro dell’Associazione Italiana esperti in Infrastrutture Critiche (AIIC), della Association for the Advancement of Artificial Intelligence (AAAI) e dell’Associazione Italiana per l’Intelligenza Artificiale (AIxIA). Partecipo ai lavori della European AI Alliance della Commissione Europea e del Consultation Forum for Sustainable Energy in the Defence and Security Sector della European Defence Agency. Questo blog è personale.