Key points are not available for this paper at this time.
Les modèles d'apprentissage automatique (AA) ont connu un succès remarquable dans divers domaines, les rendant indispensables pour des applications critiques. Cependant, leur vulnérabilité aux attaques adversariales, en particulier aux attaques par empoisonnement, a suscité de sérieuses inquiétudes concernant leur sécurité et leur robustesse. Cette étude de revue vise à fournir une analyse complète des attaques par empoisonnement et des stratégies de défense dans les techniques d'AA. Nous explorons les différentes stratégies d'attaque par empoisonnement, leur impact potentiel sur la performance des modèles, et examinons les mécanismes de défense existants pour atténuer ces menaces. En éclairant les dernières avancées et défis dans ce domaine, cette étude vise à guider les chercheurs et praticiens vers la construction de modèles d'apprentissage automatique plus sécurisés et fiables.
Mullapudi et al. (Fri,) ont étudié cette question.