RILEVAMENTO DELL'APPRENDIMENTO AUTOMATICO CONTRADDITTORIO NELLE IMMAGINI TRAMITE APPROSSIMAZIONE E PROIEZIONE MOLTEPLICE UNIFORME

Abstract

L’integrazione dell’Intelligenza Artificiale in diversi settori ha trasformato la procedura di analisi ed elaborazione delle immagini, consentendo alle macchine di comprendere e ottenere informazioni significative dai dati visivi. Ciò comporta l’utilizzo di metodi di intelligenza artificiale tali il Machine Learning (ML) e il Deep Learning (DL) per migliorare compiti come il riconoscimento, la categorizzazione e la segmentazione delle immagini. Gli algoritmi di ML tali le macchine a vettori di supporto (SVM) e Random Forests utilizzano dati etichettati per identificare dei pattern e prendere decisioni informate; le tecniche di DL come, ad esempio, le reti neurali convoluzionali eccellono nell’estrazione di caratteristiche avanzate dai dati grezzi, portando a notevoli progressi nelle attività legate alle immagini. L’Adversarial attack, una sottocategoria del ML, esplora le vulnerabilità dei modelli di intelligenza artificiale agli esempi avversari, influenzando la loro robustezza e sicurezza. Nel frattempo, la Uniform Manifold Approximation and Projection (UMAP) offre una potente tecnica di riduzione della dimensionalità, facilitando la visualizzazione di dataset di immagini ad alta dimensionalità preservandone la struttura basilare. Questa tesi si propone di esaminare gli effetti dei metodi avversari del machine learning, come FGSM, Carlini-Wagner Attack e PGD, sul comportamento di classificazione e clustering dei dataset di immagini, in particolare nei dataset MNIST e CIFAR. Inoltre, si indaga sull’influenza dell’integrazione di UMAP sulle rappresentazioni visive di questi dataset e si analizza il loro comportamento in varie condizioni utilizzando modelli algoritmici di ML come Decision trees, Random Forests, Bagging e Majority voting. Nonostante i contributi apportati, questo studio è vincolato da alcune limitazioni. Il suo focus sui dataset di immagini e sulle specifiche tecniche di ML potrebbe limitare l’approccio generalizzato ad altri domini o modelli. Inoltre

The incorporation of Artificial Intelligence (AI) across various fields has transformed the analysis and processing of images, enabling machines to understand and derive meaningful insights from visual data. This involves using AI methods such as Machine Learning (ML) and Deep Learning (DL) to improve tasks like image recognition, categorization, and segmentation. ML algorithms such as Support Vector Machines and Random Forests utilize labeled data to identify patterns and make informed choices, while DL techniques like Convolutional Neural Networks (CNN) excel in extracting advanced features from raw data, resulting in significant advancements in image-related activities. Adversarial learning, a subset of ML, explores the vulnerabilities of AI models to adversarial examples, impacting their robustness and security. Meanwhile, Uniform Manifold Approximation and Projection (UMAP) offers a potent dimensionality reduction technique, facilitating the visualization of high-dimensional image datasets while preserving their underlying structure. This dissertation endeavors to probe the effects of adversarial machine learning methods—such as FGSM, Carlini-Wagner attack, and PGD—on image dataset classification and clustering behavior, particularly in MNIST and CIFAR datasets. It further investigates the influence of UMAP integration on visual representations of these datasets and analyzes their behavior under various conditions using ML models like Decision trees, Random Forest, Bagging, and Majority voting. Despite its contributions, this study is bound by certain limitations. Its focus on image datasets and specific ML techniques may restrict generalizability to other domains or models. Additionally, variations in dataset complexity and CNN architectures may influence the effectiveness of the techniques explored. Nonetheless, this research provides valuable insights into the interplay between adversarial machine learning, UMAP integration, and ML model analysis, advancing