AIセキュリティから学ぶ ディープラーニング［技術］入門
書籍情報
発売日 : 2021年01月04日
著者／編集 : 田篭 照博
出版社 : 技術評論社
発行形態 : 単行本
書籍説明
目次
■第1部：ディープラーニングの基礎
●第1章：ディープラーニングの全体像
1.1：ディープラーニングとは
1.2：ディープラーニングが対象とする問題
1.3：ディープラーニングの構成要素
1.4：ディープラーニングの脅威とは
●第2章：ディープラーニングを始めるための環境構築
2.1：Dockerのインストール
2.2：イメージのビルド
2.3：コンテナの起動とJupyter Notebookの稼働確認
2.4：Jupyter Notebookの基本操作
●第3章：ディープラーニングに必要な数学とNumPyの操作
3.1：NumPyの基本
3.2：ベクトル（1次元配列）
3.3：行列（2次元配列）
3.4：ndarrayの軸（axis）
3.5：3次元以上の配列
3.6：微分
3.7：偏微分
3.8：勾配
3.9：まとめ
■第2部：ディープラーニングの仕組み
●第4章：ディープニューラルネットワーク
4.1：DNNのアーキテクチャ（入力層／隠れ層／出力層）
4.2：順伝播／重み／バイアス
4.3：活性化関数
4.4：出力層とソフトマックス関数
4.5：入力データのバッチ化
4.6：正解データ
4.7：正解率
●第5章：分類モデルを開発してみよう
5.1：事前準備
5.2：Layerクラスの開発
5.3：順伝播を体験しよう
5.4：SimpleClassifierクラスの開発
5.5：画像分類を体験しよう
5.6：活性化関数によるモデルの表現力の変化を体験しよう
●第6章：ディープニューラルネットワークの学習
6.1：学習の全体像
6.2：推論と正解の誤差を把握する
6.3：勾配降下法による重みとバイアスの更新
6.4：合成関数と連鎖律
6.5：誤差逆伝播
6.6：ミニバッチによる学習
6.7：学習に関するその他のトピック
●第7章：分類モデルの学習機能開発
7.1：ユーティリティ関数の準備
7.2：Layerクラスの改修
7.3：SimpleClassifierクラスの改修
7.4：学習
7.5：クイズ
●第8章：畳み込みニューラルネットワーク
8.1：CNNの全体像
8.2：畳み込み演算
8.3：畳み込み演算による特徴の抽出
8.4：3次元の畳み込み演算
8.5：畳み込み層の連結
8.6：最大プーリング層
8.7：畳み込みブロックから全結合層への連結
8.8：CNNの学習
■第3部：ディープラーニングのフレームワーク
●第9章：TensorFlowとKeras
9.1：TensorFlowとKerasとは
9.2：KerasによるMNIST分類モデルの開発
9.3：Kerasを利用したCNNによる画像分類
9.4：Tensorオブジェクト
9.5：TensorFlowによる勾配降下法の体験
9.6：Kerasによる最適化アルゴリズムの体験
■第4部：ディープラーニングのセキュリティ
●第10章：ディープニューラルネットワークへの攻撃
10.1：敵対的サンプルとは
10.2：ノルム
10.3：Fast Gradient Sign Method
10.4：Fast Gradient Sign Methodの実装
10.5：Jacobian Saliency Map Attack
10.6：Jacobian Saliency Map Attackの実装
10.7：C&W Attack
10.8：C&W Attackの実装
10.9：Boundary Attack
10.10：Boundary Attackの実装
10.11：Projected Gradient Descent Attack
10.12：OSSを利用したPGD Attackの体験
●第11章：ディープニューラルネットワークの防御
11.1：敵対的サンプルに対する防御の現状
11.2：敵対的サンプルに対する防御の種類
11.3：敵対的トレーニング
11.4：敵対的トレーニングを体験しよう
11.5：Feature Squeezingによる防御
11.6：プリプロセスを利用した敵対的サンプルの検知方法
11.7：Median Smoothingの実装
11.8：Squeezing Color Bitsの実装
●第12章：リアル空間上での脅威
12.1：自動運転領域での敵対的サンプル
12.2：物理セキュリティへの脅威
12.3：マルウェア検知の回避
12.4：音声の敵対的サンプル
12.5：ディープフェイクとその検知の回避
●第1章：ディープラーニングの全体像
1.1：ディープラーニングとは
1.2：ディープラーニングが対象とする問題
1.3：ディープラーニングの構成要素
1.4：ディープラーニングの脅威とは
●第2章：ディープラーニングを始めるための環境構築
2.1：Dockerのインストール
2.2：イメージのビルド
2.3：コンテナの起動とJupyter Notebookの稼働確認
2.4：Jupyter Notebookの基本操作
●第3章：ディープラーニングに必要な数学とNumPyの操作
3.1：NumPyの基本
3.2：ベクトル（1次元配列）
3.3：行列（2次元配列）
3.4：ndarrayの軸（axis）
3.5：3次元以上の配列
3.6：微分
3.7：偏微分
3.8：勾配
3.9：まとめ
■第2部：ディープラーニングの仕組み
●第4章：ディープニューラルネットワーク
4.1：DNNのアーキテクチャ（入力層／隠れ層／出力層）
4.2：順伝播／重み／バイアス
4.3：活性化関数
4.4：出力層とソフトマックス関数
4.5：入力データのバッチ化
4.6：正解データ
4.7：正解率
●第5章：分類モデルを開発してみよう
5.1：事前準備
5.2：Layerクラスの開発
5.3：順伝播を体験しよう
5.4：SimpleClassifierクラスの開発
5.5：画像分類を体験しよう
5.6：活性化関数によるモデルの表現力の変化を体験しよう
●第6章：ディープニューラルネットワークの学習
6.1：学習の全体像
6.2：推論と正解の誤差を把握する
6.3：勾配降下法による重みとバイアスの更新
6.4：合成関数と連鎖律
6.5：誤差逆伝播
6.6：ミニバッチによる学習
6.7：学習に関するその他のトピック
●第7章：分類モデルの学習機能開発
7.1：ユーティリティ関数の準備
7.2：Layerクラスの改修
7.3：SimpleClassifierクラスの改修
7.4：学習
7.5：クイズ
●第8章：畳み込みニューラルネットワーク
8.1：CNNの全体像
8.2：畳み込み演算
8.3：畳み込み演算による特徴の抽出
8.4：3次元の畳み込み演算
8.5：畳み込み層の連結
8.6：最大プーリング層
8.7：畳み込みブロックから全結合層への連結
8.8：CNNの学習
■第3部：ディープラーニングのフレームワーク
●第9章：TensorFlowとKeras
9.1：TensorFlowとKerasとは
9.2：KerasによるMNIST分類モデルの開発
9.3：Kerasを利用したCNNによる画像分類
9.4：Tensorオブジェクト
9.5：TensorFlowによる勾配降下法の体験
9.6：Kerasによる最適化アルゴリズムの体験
■第4部：ディープラーニングのセキュリティ
●第10章：ディープニューラルネットワークへの攻撃
10.1：敵対的サンプルとは
10.2：ノルム
10.3：Fast Gradient Sign Method
10.4：Fast Gradient Sign Methodの実装
10.5：Jacobian Saliency Map Attack
10.6：Jacobian Saliency Map Attackの実装
10.7：C&W Attack
10.8：C&W Attackの実装
10.9：Boundary Attack
10.10：Boundary Attackの実装
10.11：Projected Gradient Descent Attack
10.12：OSSを利用したPGD Attackの体験
●第11章：ディープニューラルネットワークの防御
11.1：敵対的サンプルに対する防御の現状
11.2：敵対的サンプルに対する防御の種類
11.3：敵対的トレーニング
11.4：敵対的トレーニングを体験しよう
11.5：Feature Squeezingによる防御
11.6：プリプロセスを利用した敵対的サンプルの検知方法
11.7：Median Smoothingの実装
11.8：Squeezing Color Bitsの実装
●第12章：リアル空間上での脅威
12.1：自動運転領域での敵対的サンプル
12.2：物理セキュリティへの脅威
12.3：マルウェア検知の回避
12.4：音声の敵対的サンプル
12.5：ディープフェイクとその検知の回避
著者情報
田篭 照博
田篭 照博（たごもり てるひろ）アプリケーションエンジニアからセキュリティエンジニアに転身し、サイバーセキュリティ関連企業の米国シリコンバレー拠点にて研究とサービス開発を担当。並行して、米国スタンフォード大学の客員研究員として、ディープニューラルネットワークの形式検証に関するフレームワーク開発と研究に従事。主な著書に『堅牢なスマートコントラクト開発のためのブロックチェーン［技術］入門』などがある。
田篭, 照博
