MARC

 008260126s2025        us                              c    eng  d
■001000017357325
■00520260202103208
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798286447411
■035    ▼a(MiAaPQ)AAI32000487
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aSturzinger,  Eric  Mark.▼0(orcid)0000-0002-8365-9569
■24510▼aSurvival-Critical  Machine  Learning
■260    ▼a[Sl]▼bCarnegie  Mellon  University▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a170  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  87-01,  Section:  A.
■500    ▼aAdvisor:  Satyanarayanan,  Mahadev.
■5021  ▼aThesis  (Ph.D.)--Carnegie  Mellon  University,  2025.
■520    ▼aAutonomous  systems  must  be  able  to  survive  in  adversarial  or  hostile  environments  where  threats  evolve  and  morph.    Under  conditions  in  which  a  class  of  adversarial  agents  is  novel  but  rare,  these  systems  must  rapidly  learn  and  adapt.    We  introduce  Survival-Critical  Machine  Learning  (SCML),  a  new  ML  paradigm  that  defines  how  autonomous  systems  that  rely  on  machine  learning  can  negotiate  such  adversarial  environments.    Inspired  by  the  ability  of  a  biological  entity's  immune  system  to  develop  defenses  against  new  viruses,  SCML  systems  leverage  the  workflow  of  Live  Learning  to  iteratively  improve  ML  models  for  threat  detection.  Beyond  the  conceptualization  of  SCML,  the  main  contributions  of  this  dissertation  are  an  analytical  model,  a  prototype  implementation,  and  experimental  results  of  the  SCML  design  tradeoff  space.    We  evaluate  the  impact  on  survivability  of  the  various  design  parameters  and  demonstrate  the  intimate  relationship  between  SCML  and  Live  Learning.    Notably,  we  evaluate  the  impact  of  the  availability  of  finite  countermeasures  (CMs),  the  CM  deployment  threshold,  the  number  of  deployed  systems,  and  the  average  threat  arrival  rate,  among  others,  on  the  probability  of  survival  of  a  given  mission  duration.    We  also  examine  various  mission  success  criteria  and  the  effects  of  divergent  performance  metrics  between  SCML  and  Live  Learning.    Additionally,  we  model  SCML  as  a  Markov  Decision  Process  (MDP)  to  demonstrate  how  it  can  be  analyzed  within  existing,  well-understood  ML  frameworks  such  as  MDPs  and  Reinforcement  Learning  (RL).    We  also  demonstrate  Live  Learning's  extensibility  to  domains  other  than  visual  data,  such  as  short  range  radar,  critical  in  many  environments  where  SCML  systems  will  need  to  operate.    Our  experimental  results  confirm  that  learning  can  indeed  improve  survivability  in  an  SCML  system.        It  further  shows  that  the  CM  deployment  threshold  and  the  number  of  available  CMs  have  a  significant  impact  on  survivability.    Allowing  flexibility  in  the  CM  deployment  threshold  during  the  mission  enhances  such  survivability  under  most  conditions.    Similarly,  Live  Learning  improves  the  probability  of  mission  success  by  increasing  the  likelihood  of  accurately  classifying  actual  threats  (true  positives)  and  decreasing  the  likelihood  of  wasting  CMs  on  non-threats  (false  positives).    By  defining  an  SCML  MDP,  we  also  show  how  an  SCML  system  can  optimally  adjust  its  CM  deployment  threshold  as  a  function  of  state,  defined  by  the  number  of  remaining  CMs  and  the  time  until  mission  completion.
■590    ▼aSchool  code:  0041.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■650  4▼aInformation  science
■653    ▼aAdversarial  environments
■653    ▼aAutonomous  systems
■653    ▼aEdge  computing
■653    ▼aLive  learning
■653    ▼aSurvivability
■690    ▼a0984
■690    ▼a0489
■690    ▼a0464
■690    ▼a0723
■690    ▼a0800
■71020▼aCarnegie  Mellon  University▼bComputer  Science.
■7730  ▼tDissertations  Abstracts  International▼g87-01A.
■790    ▼a0041
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357325▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books