Найти книгу: "Adversarial Machine Learning"

The increasing abundance of large high-quality datasets, combined with significant technical advances over the last several decades have made machine learning into a major tool employed across a broad array of tasks including vision, language, finance, and security. However, success has been accompanied with important new challenges: many applications of machine learning are adversarial in nature. Some are adversarial because they are safety critical, such as autonomous driving. An adversary in these applications can be a malicious party aimed at causing congestion or accidents, or may even model unusual situations that expose vulnerabilities in the prediction engine. Other applications are adversarial because their task and/or the data they use are. For example, an important class of problems in security involves detection, such as malware, spam, and intrusion detection. The use of machine learning for detecting malicious entities creates an incentive among adversaries to evade detection by changing their behavior or the content of malicius objects they develop. The field of adversarial machine learning has emerged to study vulnerabilities of machine learning approaches in adversarial settings and to develop techniques to make learning robust to adversarial manipulation. This book provides a technical overview of this field. After reviewing machine learning concepts and approaches, as well as common use cases of these in adversarial settings, we present a general categorization of attacks on machine learning. We then address two major categories of attacks and associated defenses: decision-time attacks, in which an adversary changes the nature of instances seen by a learned model at the time of prediction in order to cause errors, and poisoning or training time attacks, in which the actual training dataset is maliciously modified. In our final chapter devoted to technical content, we discuss recent techniques for attacks on deep learning, as well as approaches for improving robustness of deep neural networks. We conclude with a discussion of several important issues in the area of adversarial learning that in our view warrant further research. Given the increasing interest in the area of adversarial machine learning, we hope this book provides readers with the tools necessary to successfully engage in research and practice of machine learning in adversarial settings.

В работе представлено описание экспертных проектов по оценке качества образования. Рассмотрены типы организаций, осуществляющих такие проекты. Приведены также примеры отечественных и зарубежных экспертных проектов по оценке качества образования, реализуемого с применением e-learning.

Применение Internet-технологий как для частичной поддержки очного учебного процесса (blended learning), так и дистанционного обучения (без очного контакта), базируется на специальном программном обеспечении, вопросам выбора которого посвящена данная статья. Так, наряду с применением готовых фирменных программных продуктов или разработкой вузом собственной единой системы, возможен подход, при котором каждый преподаватель может разработать свою персональную систему управления учебным процессом (теоретически это возможно). Автор статьи является сторонником такого положения, когда при наличии в вузе налаженной технологии образовательного процесса на основе стандартной (покупной) оболочки проводятся научно-методические разработки на базе создания web-сайтов в рамках творческой инициативы преподавателей.

В статье рассматривается теория всеобщего управления качеством (TQM) и ее применение к образовательному процессу. Основная цель автора – показать, как TQM действует в ситуациях неформального обучения. Изложены некоторые подходы к TQM в области образования, рассмотрены аспекты неформального обучения, а также выработаны руководящие принципы относительно того, как действовать в ситуациях, возникающих при таком типе обучения. Приводится соотношение между методикой TQM и системой управления качеством в образовании (QME). Автор приводит описание нескольких моделей «общего контроля качества», применяющихся в учебном процессе, и характеризует проблемы, возникающие при их применении. Затронуты также вопросы процедур валидации (измерения ценности) неформального обучения, а также составления системной документации по неформальному обучению на рабочем месте. Дается сравнительный анализ понятий неформального и информального обучения, а также соответствующая оценка различных элементов качества образовательного процесса. В статье отмечается, что Еврокомиссия настаивает на применении стратегий, которые «содержат механизмы, направленные на максимальное повышение качества учебного процесса как такового, а также качества процессов реализации различных концепций и функций, связанных с учебным процессом».

Автор статьи определяет повышение качества e-learning как постоянный процесс адаптации предлагаемых образовательных услуг к потребностям целевой группы учащихся. Для всех участников процесса в качестве одного из важнейших факторов успеха подчеркивается необходимость обладания набором компетенций, обозначаемых как «грамотность в вопросах качества». Автор представляет результаты проведенных исследований и объединяет их в единую концепцию работы по повышению качества. Подчеркивается мысль о том, что не следует рассматривать меры по повышению качества как нечто отдельное от всего процесса e-learning, например, как оценочные мероприятия, проводимые после окончания курса. Работа по повышению качества рассматривается, скорее, как важнейшая часть работы по каждому из курсов и программ e-learning.