【佐治亚理工学院博士论文】开发鲁棒的模型、算法、数据库和工具，应用于网络安全和医疗健康，附219页pdf和80页Slides

随着社会和技术日益紧密地联系在一起，威胁也越来越大。曾经孤立的威胁现在对高度相互依赖的系统构成严重担忧，这凸显了鲁棒的机器学习的基本需求。本文通过强大的机器学习的视角，贡献了新颖的工具、算法、数据库和模型，旨在研究解决网络安全和医疗领域影响数百万人的大规模社会问题。

(1)工具:开发了TIGER，第一个全面的图鲁棒性工具箱;鲁棒性调研确定了图鲁棒性研究的关键但缺失的领域。(2)算法:我们的调查和工具箱表明，现有的工作忽略了计算机认证网络的横向攻击。本文开发了D2M，第一个算法框架，通过从图论的角度建模横向攻击移动，来量化和减轻网络对横向攻击的脆弱性。(3)数据库:为了共同防止横向攻击，开发了MALNET-GRAPH，世界上最大的网络安全图数据库，包含696个类别的超过1.2M个图，并首次展示了通过图介质进行恶意软件检测的有效性的大规模结果。通过构建最大的二值图像网络安全数据库扩展MALNET-GRAPH，该数据库包含1.2M图像，比其他唯一的公共数据库多133倍的图像，使少数行业实验室在恶意软件检测和分类研究中的新发现成为可能(MALNET-IMAGE)。(4)模型:为了保护系统免受对抗性攻击，本文开发了UNMASK，这是第一个标记计算机视觉系统中语义不连贯的模型，该模型检测到高达96.75%的攻击，并通过正确分类高达93%的攻击来保护模型。受UNMASK保护计算机视觉系统免受对抗性攻击的能力的启发，本文开发了REST，通过对抗性训练、谱正则化和稀疏正则化的新组合来创建噪声鲁棒模型。在存在噪声的情况下，所提出方法将最先进的睡眠阶段评分提高了71%，使我们能够在早期和家庭环境中诊断睡眠障碍，同时使用的参数减少了19倍，MFLOPS减少了15倍。我们的工作对行业和社会产生了重大影响:UNMASK框架为DARPA数百万美元的GARD奖奠定了基础;用于图鲁棒性分析的TIGER工具箱是Nvidia数据科学教学工具包的一部分，供世界各地的教育工作者使用;我们发布了MALNET，世界上最大的图分类数据库，包含120万张图;D2M框架对微软的产品产生了重大影响，启发了该产品对横向攻击检测方法的改变。 https://smartech.gatech.edu/handle/1853/66145