แจ้งเอกสารไม่ครบถ้วน, ไม่ตรงกับชื่อเรื่อง หรือมีข้อผิดพลาดเกี่ยวกับเอกสาร ติดต่อที่นี่ ==>
หากไม่มีอีเมลผู้รับให้กรอก thailis-noc@uni.net.th ติดต่อเจ้าหน้าที่เจ้าของเอกสาร กรณีเอกสารไม่ครบหรือไม่ตรง

Reconstruction attack on dimensionality reduction models from informed adversary using neural network
การโจมตีแบบสร้างใหม่บนตัวแบบที่ลดมิติข้อมูลจากฝ่ายตรงข้ามที่ได้รับข้อมูลโดยใช้โครงข่ายประสาทเทียม

LCSH: Neural networks (Computer science)
LCSH: Data reduction
Abstract: This study investigates privacy leakage in dimensionality reduction methods through a novel machine learning-based reconstruction attack. Employing an informed adversary threat model, we develop a neural network capable of reconstructing high-dimensional data from low-dimensional embeddings. We evaluate six popular dimensional reduction techniques: PCA, sparse random projection (SRP), multidimensional scaling (MDS), Isomap, t-SNE, and UMAP. Using both MNIST and NIH Chest X-ray datasets, we perform a qualitative analysis to identify key factors affecting reconstruction quality. Furthermore, we assess the effectiveness of an additive noise mechanism in mitigating these reconstruction attacks.
Abstract: งานวิจัยนี้ตรวจสอบการรั่วไหลของความเป็นส่วนตัวของข้อมูล จากเทคนิคการลดมิติข้อมูลแบบต่าง ๆ ผ่านการโจมตีแบบสร้างขึ้นใหม่ โดยใช้การเรียนรู้ของเครื่อง ผู้วิจัยได้พัฒนาโครงข่ายประสาทเทียมที่ สามารถสร้างข้อมูลที่มีมิติสูงขึ้นใหม่จากข้อมูลที่มีมิติต่ำ โดยใช้แบบจำลองภัยคุกคามจากผู้โจมตีที่มี ข้อมูลที่ได้รับมา ผู้วิจัยได้ประเมินเทคนิคการลดมิติข้อมูลที่เป็นที่นิยม 6 เทคนิค ได้แก่ PCA, Sparse Random Projection (SRP), Multidimensional Scaling (MDS), Isomap, t-SNE และ UMAP โดยใช้ ชุดข้อมูลเอ็กซ์เรย์ทรวงอกของ NIH และ MNIST ผู้วิจัยดา เนินการวิเคราะห์ทั้งเชิงคุณภาพเพื่อระบุ ปัจจัยสำคัญที่ส่งผลต่อคุณภาพการสร้างข้อมูลใหม่ นอกจากนี้ ยังได้ประเมินประสิทธิภาพของการ เพิ่มสัญญาณรบกวนแบบเสริมในการบรรเทาการโจมตีแบบสร้างขึ้นใหม่ด้วย
Chiang Mai University. Library
Address: CHIANG MAI
Email: cmulibref@cmu.ac.th
Role: Advisor
Created: 2568
Modified: 2568-07-08
Issued: 2025-07-08
วิทยานิพนธ์/Thesis
application/pdf
eng
DegreeName: Master of Science
Descipline: Data Science
©copyrights Chiang Mai University
RightsAccess:
ลำดับที่.ชื่อแฟ้มข้อมูล ขนาดแฟ้มข้อมูลจำนวนเข้าถึง วัน-เวลาเข้าถึงล่าสุด
1 660631095.pdf 2.2 MB
ใช้เวลา
0.018235 วินาที

Chayadon Lumbut
Title Contributor Type
Reconstruction attack on dimensionality reduction models from informed adversary using neural network
มหาวิทยาลัยเชียงใหม่
Chayadon Lumbut
Donlapark Ponnoprat
วิทยานิพนธ์/Thesis
Donlapark Ponnoprat
Title Creator Type and Date Create
Embedded topic models for soft customer segmentation
มหาวิทยาลัยเชียงใหม่
Donlapark Ponnoprat
Jutiyakhun Srisoparp
วิทยานิพนธ์/Thesis
Optimization of Set50 stock portfolio allocation with deep reinforcement learning
มหาวิทยาลัยเชียงใหม่
Donlapark Ponnoprat;Phimphaka Taninpong ;Woraphon Yamaka
Sukrit Thongkairat
วิทยานิพนธ์/Thesis
Reconstruction attack on dimensionality reduction models from informed adversary using neural network
มหาวิทยาลัยเชียงใหม่
Donlapark Ponnoprat
Chayadon Lumbut
วิทยานิพนธ์/Thesis
Random forest classification models for prediction sets with guaranteed coverage probability
มหาวิทยาลัยเชียงใหม่
Donlapark Ponnoprat
Panisara Meehinkong
วิทยานิพนธ์/Thesis
Copyright 2000 - 2026 ThaiLIS Digital Collection Working Group. All rights reserved.
ThaiLIS is Thailand Library Integrated System
สนับสนุนโดย สำนักงานบริหารเทคโนโลยีสารสนเทศเพื่อพัฒนาการศึกษา
กระทรวงการอุดมศึกษา วิทยาศาสตร์ วิจัยและนวัตกรรม
328 ถ.ศรีอยุธยา แขวง ทุ่งพญาไท เขต ราชเทวี กรุงเทพ 10400 โทร. โทร. 02-232-4000
กำลัง ออน์ไลน์
ภายในเครือข่าย ThaiLIS จำนวน 154
ภายนอกเครือข่าย ThaiLIS จำนวน 7,574
รวม 7,728 คน

More info..
นอก ThaiLIS = 93,965 ครั้ง
มหาวิทยาลัยสังกัดทบวงเดิม = 1,094 ครั้ง
มหาวิทยาลัยราชภัฏ = 22 ครั้ง
มหาวิทยาลัยเทคโนโลยีราชมงคล = 11 ครั้ง
หน่วยงานอื่น = 6 ครั้ง
มหาวิทยาลัยเอกชน = 2 ครั้ง
รวม 95,100 ครั้ง
Database server :
Version 2.5 Last update 1-06-2018
Power By SUSE PHP MySQL IndexData Mambo Bootstrap
มีปัญหาในการใช้งานติดต่อผ่านระบบ UniNetHelp


Server : 8.199.134
Client : Not ThaiLIS Member
From IP : 216.73.216.60