Safeguarding Creativity: The Impacts and Countermeasures of Data Poisoning in Generative AI Systems
Notice bibliographique
Résumé
Deep learning is a type of Artificial Intelligence (AI) that has grown quickly and is now widely used in computer software. As the need for deep learning algorithms that can handle more complicated tasks keeps growing very quickly, the improvements in how efficient and productive these algorithms can be utilized for identifying data poisoning is an important step. Data poisoning refers to altering the legitimate data using various techniques and fabricating the expected results. The poisoning will affect the quality of predictions and reliability of the contents generated. The data sensitive applications which rely on classification models for deriving conclusions will be affected by poisoning resulting in unrealistic conclusions and misguided inferences. Continuous occurrence of poorly classified data and unrealistic conclusions will affect the reliability of the system making it less trustworthy. This research looks into long lasting effects of poisoning attacks, which target the training data used in deep learning and assess the way a deep learning model classifies information. Experiments were done to measure the accuracy of different machine learning algorithms in effectively detecting poisoned data. The evaluations were done using KNN, SVM and Logistic Regression models. The analysis concludes that KNN offers better prediction compared to SVM and Logistic Regression. Logistic regression offers less accurate predictions making it unfit for poisoning detection. Proper classification of poisoned data will help research community and users to be aware of legitimacy of data and thereby help them to choose the right data and information for processing, analytics, and deriving conclusions. This will greatly improve the performance and trustworthiness of related models including generative AI systems and makes the learning process un biased which will highly benefit the research community in general.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».