Diferencias

Muestra las diferencias entre dos versiones de la página.

--- inteligencia_artificial:conceptos [2023/05/08 11:45] – [Modelo de regresión lineal simple] alberto
+++ inteligencia_artificial:conceptos [2023/05/09 11:45] (actual) – [Ataques adversarios] alberto
@@ Línea 127: / Línea 127: @@
 El problema es que resolver para cualquier GPU esta fórmula requiere de invertir matrices, lo cual tiene un coste computacional enorme. Además, no siempre será posible encontrar el mínimo de nuestra función de forma analítica. Esto es debido a que elevando al cuadrado el error, forzamos funciones convexas (con un sólo mínimo, para hacer posible este cálculo) cuando no necesariamente puede resultar lo más acertado.\\
+\\
+Ejemplo de cálculo de los mínimos ordinarios en el [[https://youtu.be/w2RJ1D6kz-o|videotutorial de DOTCSV]] y en  [[https://colab.research.google.com/drive/1rGOAidz9Iyq63ybGY5TR16n-RKL9tO64?usp=sharing|mi Jupyter Notebook de regresión lineal]]
 ==== Descenso del Gradiente ====
 {{youtube>A6FiCDoz8_4?}}
@@ Línea 236: / Línea 236: @@
 Suele ser más complicado hacer un correcto tratamiento de los datos que realizar el entrenamiento (unas pocas líneas de código).
+===== Ataques adversarios =====
+{{youtube>lPyogLghTKo?}}\\
+Se trata de crear diferencias en los datos de entrada para confundir a la red neuronal y que de resultados erróneos. Algo equivalente a las "ilusiones ópticas" para las personas.\\
+No necesariamente pueden ser fácilmente detectables. Por ejemplo en el caso de reconocimiento de imágenes, pueden ser imágenes modificadas y que llamen la atención por psicodélicas, pero también pueden ser imágenes aparentemente correctas con una modificación determinada de píxeles, que una persona pasa por alto, pero confunde a la red.\\
+Se pueden crear dejando la red neuronal entrenada con los parámetros fijos y actuando sobre los datos de entrada (como si fueran parámetros) para maximizar el error.\\
+Es muy probable que si afecta a una red neuronal, afecte también a otras redes neuronales del mismo tipo, o con la misma función.\\