Diese Präsentation wurde erfolgreich gemeldet.
Wir verwenden Ihre LinkedIn Profilangaben und Informationen zu Ihren Aktivitäten, um Anzeigen zu personalisieren und Ihnen relevantere Inhalte anzuzeigen. Sie können Ihre Anzeigeneinstellungen jederzeit ändern.

Inteligencia Artificial: Aplicabilidad de GANs y Autoencoders en la ciberseguridad

44 Aufrufe

Veröffentlicht am

Tras una breve introducción de conceptos básicos sobre
Machine Learning y Deep Learning (modelos simples de ML, VAEs, GANs, Redes Neuronales Convolucionales y Recurrentes), se revisa el estado del arte y los casos de uso más populares de estas tecnologías que permiten generar ataques de phising o Fake News; pero también pueden ser utilizadas para protegernos de los mismos.

Veröffentlicht in: Technologie
  • Als Erste(r) kommentieren

  • Gehören Sie zu den Ersten, denen das gefällt!

Inteligencia Artificial: Aplicabilidad de GANs y Autoencoders en la ciberseguridad

  1. 1. luca-d3.com
  2. 2. luca-d3.com
  3. 3. 1.3.1 ¿Qué es el Machine Learning?
  4. 4. 1.3.2 Qué es un modelo de Machine Learning? 1.3. 3 Qué es un algoritmo de Machine Learning?
  5. 5. 1.3.4 Paradigma de aprendizaje supervisado
  6. 6. 1.3.5 Paradigma de aprendizaje no supervisado    
  7. 7. 1.3. 6 Aprendizaje reforzado       1.3.7 ¿Qué es entrenar en Machine Learning? 1.3.8 ¿Qué es Deep Learning?
  8. 8.    1.3.9 La neurona y el perceptrón
  9. 9. 0.5 (0 𝑜 1) 1.3.10 ¿Qué es una red neuronal?
  10. 10. 1.3.11Teoría de Modelos Generativos 𝑌 𝑃(𝑌|𝑋 = 𝑥) X Y P(X,Y) 1.3.12 Variational Autoencoders
  11. 11. 𝑌 𝑋 𝑋 𝑋 X X
  12. 12. (𝑧)  𝑥  𝑥(𝑥)  𝑥 𝑥 ∈ 𝑥 𝑥×𝑥 𝑥 × 𝑥  𝑥 𝑥 ∈ 𝑥 𝑥 𝑥 = 𝑥(𝑥𝑥1 + 𝑥1 ) 𝑥′ = 𝑥(𝑥𝑥2 + 𝑥2) x 𝑥′ 𝑥2 𝐿 = 𝑥(𝑥, 𝑥′ ) = ||𝑥 − 𝑥′ || 𝑥 𝑥(𝑥, 𝑥′ ) = − ∑ 𝑥 𝑥 ′ 𝑥𝑥𝑥 𝑥𝑥𝑥 𝑥 𝑥 𝑥 𝑥=1 𝑥
  13. 13. 𝑝_𝜃 𝜃 𝑥 𝑧  𝑥 𝑥(𝑥)  𝑥 𝑥(𝑥|𝑥)  𝑥 𝑥(𝑥|𝑥) 𝑥∗ 𝑥(𝑥)  𝑥(𝑥) 𝑥 𝑥∗(𝑥)  𝑥 𝑥∗(𝑥|𝑥 = 𝑥(𝑥) ) 𝑥(𝑥) 𝑥∗ 𝑥∗ = arg max(∏ 𝑥 𝑥(𝑥(𝑥) ) 𝑥 ) = arg max (∑ log 𝑥 𝑥(𝑥(𝑥) ) 𝑥 )
  14. 14. 𝑥 𝑥(𝑥(𝑥) ) = ∫ 𝑥 𝑥(𝑥(𝑥) |𝑥) 𝑥 𝑥(𝑥)𝑥𝑥 𝑥 𝑥(𝑥(𝑥) |𝑥) z 𝑥 𝑥 𝑥(𝑥│𝑥) ϕ 𝑝 𝜃 𝑞 𝜙 (𝑧|𝑥) 𝑝 𝜃  𝑥 𝑥(𝑥|𝑥)  , 𝑥 𝑥(𝑥│𝑥) 𝑥 𝑥(𝑥│𝑥) 𝑥 𝑥(𝑥|𝑥) 𝑥 𝑥𝑥(𝑥|𝑥) 𝑥 𝑥𝑥(𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥)) ϕ 𝑥 𝑥𝑥 (𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥│𝑥)) 𝑥 𝑥𝑥 (𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥)) = ∫ 𝑥 𝑥(𝑥|𝑥) log 𝑥 𝑥( 𝑥| 𝑥) 𝑥 𝑥( 𝑥| 𝑥) 𝑥𝑥 = log 𝑥 𝑥(𝑥) + 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥)) − 𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥)
  15. 15. log 𝑥 𝑥(𝑥) − 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥|𝑥)) = 𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥) − 𝑥 𝑥𝑥 (𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥)) log 𝑥 𝑥(𝑥) 𝑥 𝑥𝑥(𝑥 𝑥(𝑥│𝑥)||𝑥 𝑥(𝑥|𝑥)) 𝑥VAE(𝑥, 𝑥) = − log 𝑥 𝑥(𝑥) + 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥)||𝑥 𝑥(𝑥|𝑥)) = −𝑥 𝑥∼𝑥 𝑥( 𝑥| 𝑥) log 𝑥 𝑥(𝑥|𝑥) + 𝑥 𝑥𝑥(𝑥 𝑥(𝑥|𝑥) ∥ 𝑥 𝑥(𝑥)) 𝑥∗ , 𝑥∗ = arg min 𝑥,𝑥 𝑥VAE −𝑥 𝑥𝑥𝑥 log 𝑥 𝑥(𝑥) 1.3.13 Reparametrization trick 𝑥 ∼ 𝑥 𝑥 (𝑥│𝑥(𝑥) ) 𝑥 ∼ 𝑥 𝑥 (𝑥│𝑥(𝑥) ) ∼ 𝑥 (𝑥; 𝑥(𝑥) , 𝑥2(𝑥) 𝑥) 𝑥 ∼ 𝑥(0, 𝑥) 𝑥 = 𝑥 + 𝑥 ⊙ 𝑥 ⊙
  16. 16. μ σ ε∼N(0,I)
  17. 17. problema reside en que este tipo de arquitecturas son difíciles de optimizar, ya que se intenta encontrar un punto de 1.3.14 Entrenamiento de una GAN  𝑥(𝑥)
  18. 18.  𝑥(𝑥)  𝑥(𝑥(𝑥)) 1. El discriminador deberá devolver un 1 siempre que se le facilite una imagen real, por lo que D(x) deberá maximizarse; 2. El mismo discriminador deberá asignar un 0 a toda imagen 𝐺(𝑧), por lo que 𝐷(𝐺(𝑧)) deberá minimizarse. Por negación, 1 − 𝐷(𝐺(𝑧)) se deberá maximizar. max 𝑥 𝑥(𝑥) = 𝑥 𝑥∼𝑥 𝑥𝑥𝑥𝑥(𝑥)[log 𝑥(𝑥)] + 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ] min 𝑥 𝑥(𝑥) = 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ] min 𝑥 max 𝑥 𝑥(𝑥, 𝑥) = 𝑥 𝑥∼𝑥 𝑥𝑥𝑥𝑥(𝑥)[log 𝑥(𝑥)] + 𝑥 𝑥∼𝑥 𝑥(𝑥) [log (1 − 𝑥(𝑥(𝑥))) ] 𝑥 𝑥𝑥𝑥𝑥 (𝑥) = 𝑥 𝑥
  19. 19. 𝑧 ∼ 𝑝_𝑧 G(z)
  20. 20.   
  21. 21.   
  22. 22.  
  23. 23. 314 30 𝑠 2.61 ℎ
  24. 24. 2 a 10 17 parpadeos/min 0.283 parpadeos/segundo 26 parpadeos/min 4.5 parpadeos/segundo 0.1-0.4 segundos/parpadeo
  25. 25. 0.1-0.4 s 17-26 parpadeos/min  [𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥𝑥/𝑥]  [𝑥] 0 1
  26. 26.       
  27. 27.  95%   

×