Streszczenie (autorskie):

Metazbiory to nowe podejście do określenia wielowartościowej relacji należenia elementu do zbioru. Podobnie jak zbiory rozmyte i przybliżone, metazbiory umożliwiają reprezentowanie i przetwarzanie nieprecyzyjnych pojęć i danych w sposób wymykający się klasycznym, binarnym metodom. W świetle przedstawiającym klasyczny zbiór jako kolekcję obiektów posiadających wspólną cechę, metazbiór można postrzegać jako twór złożony z obiektów posiadających daną cechę w różnych stopniach, być może różnych od pewności. Jest to istotnie różne podejście od popularnych obecnie teorii zbiorów rozmytych i przybliżonych, które nie modelują należenia elementu do zbioru, lecz stopniowanie wartości czy niepełność informacji. Punktem wyjścia dla koncepcji metazbioru są modele boolowskie dla klasycznej teorii mnogości Zermelo-Fraenkla (Boolean-valued models) zainicjowane pracami Rasiowej i Sikorskiego nad metodami algebraicznymi w logice, rozwinięte później przez Scotta i Solovaya w technice forsingu boolowskiego. W związku z tym, wartościowanie częściowego należenia, równości i innych relacji, jak również zdań złożonych, wykonywane jest w pewnej algebrze Boole'a (algebra Cantora). W praktyce jest ona reprezentowana przy pomocy drzewa binarnego, którego węzły są etykietowane pojęciami języka naturalnego. Oprócz podstawowych relacji mnogościowych, zdefiniowano pojęcia mocy i równoliczności, oraz operacje algebraiczne spełniające aksjomaty algebry Boole'a. Jako że koncepcja metazbiorów nakierowana jest przede wszystkim na komputerowe zastosowania w sztucznej inteligencji, relacje i operacje są określone w sposób łatwo algorytmizowalny, a ich pierwsza implementacja została wykonana w języku Java.

Streszczenie (autorskie):

Metody sztucznej inteligencji, a w szczególności sieci neuronowe, prowadzą w wielu obszarach do rozwiązań znacznie skuteczniejszych w porównaniu do metod klasycznych. Również w bezpieczeństwie informacji możemy znaleźć problemy, w których wykorzystanie sztucznej inteligencji wydaje się zasadne. W szczególności, gdy nośnikiem informacji jest obraz lub dźwięk, które to mogą być przetwarzane przez konwolucyjne sieci neuronowe (CNN) w sposób wydajny i efektywny.

W trakcie seminarium, zaprezentujemy w jaki sposób wykorzystaliśmy metody uczenia maszynowego, m.in. sieci neuronowe, ale też inne metody przetwarzania sygnałów do wybranych problemów z bezpieczeństwa informacji – znakowania wodnego (watermarking), autoryzacji biometrycznej, w tym zwiększenia prywatności, oraz zapobieganiu spoofingu. Omówimy zaproponowane przez nas ulepszenie w postaci przestrzennej reprezentacji wiadomości i osadzeniu jej w obrazie oraz wykorzystaniu jednego z komponentów systemu do ocenienia, czy w obrazie znajduje się znak wodny. Przedstawimy nowe podejście do autoryzacji biometrycznej wykorzystujące cechy mimiki twarzy, które pozwala na zwiększoną prywatność w kontekście zapisu danych biometrycznych w bazie. Pokażemy, w jaki sposób można skonstruować system biometryczny oparty na rozróżnianiu konturów dłoni, który może być zrealizowany bez specjalistycznego sprzętu do skanowania dłoni. Na koniec przedstawimy rozwiązanie wykrywające atak typu „spoofing” w kanale dźwiękowym, które wymaga niskiego nakładu obliczeń.