Secure ML Library

Libreria open source per la valutazione della sicurezza degli algoritmi di machine learning


Secure ML: ricerca   Tutorial: Wild Patterns   Secure ML Library   Web Demo
Secure ML Library (SecML-Lib) è una libreria Python open source che implementa attacchi contaminativi (poisoning attacks) ed evasivi (evasion attacks) contro un'ampia gamma di algoritmi di apprendimento, inclusi SVM, Neural Nets, Random Forests e altri algoritmi disponibili da scikit-learn. SecML-Lib implementa anche alcune delle tecniche di apprendimento sicuro (secure-learning) sviluppate dal nostro team negli anni passati.

I contenuti di questa pagina sono disponibili prevalentemente in lingua Inglese.

Principali caratteristiche:
  • Dense/Sparse data support. We provide full, transparent support for both dense (through numpy library) and sparse data (through scipy library) in a single data structure.

  • Wide range of supported ML algorithms. All supervised learning algorithms supported by scikit-learn are available, as well as Neural Networks (NNs) through PyTorch deep learning platform (coming soon).

  • Built-in attack algorithms. Evasion and poisoning attacks based on a custom-developed fast solver.

  • Visualize your results. We provide visualization and plotting framework based on the widely-known library matplotlib.

  • Explain your results. Explainable ML methods to interpret model decisions via influential features and prototypes. (coming soon)

  • Extensible. Easily create new wrappers for ML models or attack algorithms extending our abstract interfaces.

  • Multi-processing. Do you want to save time further? We provide full compatibility with all the multi-processing features of scikit-learn and pytorch, along with built-in support of the joblib library.

Utilizzare i seguenti bottoni per scaricare il codice e la documentazioe, e per accedere alle ulteriori informazioni sulla libreira  (Installation Guide - Operating System requirements - Installation process - Extra Components - Usage Guide).

Autori

Questa libreria è costantemente curata da Pluribus One e da PRALab - Pattern Recognition and Applications Lab.
Elenco degli autori:
  • Marco Melis (maintainer) [1]

  • Ambra Demontis [1]

  • Maura Pintor [1], [2]

  • Battista Biggio [1], [2]

1. Dipartimento di Ingegneria Elettrica ed Elettronica, Università di Cagliari
2. Pluribus One

Riferimenti


Copyright


La libreria SecML è in costante aggiornamento.
Eventuali bug possono essere segnalati attraverso il GitLab issue tracker.
Ulteriori informazioni in questa pagina.

Info

Pluribus One S.r.l.

Via Bellini 9, 09128, Cagliari (CA)

info[at]pluribus-one.it

PEC: pluribus-one[at]pec.pluribus-one.it

 

Ragione Sociale

Capitale Sociale: € 10008

Capitale Sociale versato: € 4.602

P.IVA: 03621820921

R.E.A.: Cagliari 285352

 

Università di Cagliari

  Pluribus One è una spin-off

  del Dipartimento di

  Ingegneria Elettrica ed Elettronica

  Università di Cagliari, Italia

 

© 2019 Pluribus One s.r.l. All Rights Reserved.