Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

La Inteligencia Artificial: Aplicabilidad de GANs y Autoencoders en la Ciberseguridad

23 visualizaciones

Publicado el

Cualquier usuario puede entender los beneficios que puede proporcionar la inteligencia artificial, pero debemos ser cautos y conocer los riesgos que ésta puede proporcionar. En este artículo se habla del Machine Learning y Deep Learning mostrando diferentes caminos. La posibilidad de que un atacante pueda suplantar identidades, voces, imágenes, videos a través de una IA supone un gran riesgo para la sociedad como para las organizaciones. En este artículo se muestran la aplicabilidad de la inteligencia artificial para la protección y su cara más ofensiva.

Publicado en: Tecnología
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

La 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%   

×