기계 학습에서의 적대적 공격: 주요 통찰과 방어 접근법

기계 학습과 같은 분야에는 결정 영역을 변경하는 데이터를 의도적으로 시스템에 제공하는 적대적 공격으로 인해 상당한 위협이 존재합니다. 이러한 공격은 기계 학습 모델에 잘못된 분류나 예측을 유발하도록 다른 데이터를 제시하는 행위입니다. 이 연구 분야는 아직 비교적 젊으며 현재 지식의 빈틈을 없앨 강력한 과학적 연구 체계를 발전시켜야 합니다. 본 논문은 Scopus 데이터베이스에 출판된 인용도가 높은 논문과 학술 회의를 기반으로 한 적대적 공격과 방어에 관한 문헌 검토를 제공합니다. 2024년 5월 15일까지 128편의 체계적 논문(원본 논문 80편, 리뷰 논문 48편)을 분류 및 평가하여 그래프 신경망, IoT 시스템의 딥 러닝 모델 등 다양한 분야의 문헌을 분류하고 검토합니다. 이 검토는 확인된 지표, 인용 분석, 연구 기여에 관한 결과를 제시하며, 적대적 견고성 및 보호 메커니즘을 위한 추가 연구 개발 분야를 제안합니다. 본 연구의 목표는 적대적 공격과 방어의 기초 배경을 제시하고 기계 학습 플랫폼의 적응성을 유지할 필요성을 강조하는 데 있습니다. 이러한 맥락에서 본 연구는 다양한 산업의 AI 응용 분야에 효율적이고 지속 가능한 보호 메커니즘 구축에 기여하는 것을 목표로 합니다.