Machine-Learning (ML) wurde seit jeher meist ohne Betrachtung von Aspekten der Informationssicherheit entwickelt und eingesetzt. Allerdings lassen sich sonst sehr gut funktionierende Modelle durch leichte Manipulationen eines Angreifers umgehen – und beispielsweise so durch ML geschützte Teile eines Systems missbrauchen. Die Untersuchung dieser als Adversarial-Examples (AEs) bezeichneten Daten ist ein vor wenigen Jahren enstandenes, sehr aktives Forschungsfeld. Dabei sollen zentrale Fragen nach dem Ursprung und den Auswirkungen von AEs beantwortet werden. Da ML auch immer stärker Einzug in Intrusion-Detection-Systeme zur Abwehr von Angriffen auf IT-Infrastrukturen nimmt, beschäftige ich mich mit der Erhöhung deren Robustheit in Bezug auf AEs.

Weitere Interessen von mir sind:

• Machine-Learning in eingebetteten Systemen
• Freie Software

• Interpolation in the eXtended Classifier System: An architectural perspective. Anthony Stein, Dominik Rauh, Sven Tomforde, Jörg Hähner, Journal of Systems Architecture, Volume 75, 2017, Pages 79–94, ISSN 1383-7621. DOI: 10.1016/j.sysarc.2017.01.010
• Augmenting the Algorithmic Structure of XCS by Means of Interpolation. Stein A., Rauh D., Tomforde S., Hähner J., 2016 Architecture of Computing Systems (ARCS), Lecture Notes in Computer Science, vol 9637. Springer, Cham. DOI: 10.1007/978-3-319-30695-7_26
• Interpolation-based classifier generation in XCSF. A. Stein, C. Eymüller, D. Rauh, S. Tomforde and J. Hähner, 2016 IEEE Congress on Evolutionary Computation (CEC), Vancouver, BC, 2016, pp. 3990–3998. DOI: 10.1109/CEC.2016.7744296
• Dealing with Unforeseen Situations in the Context of Self-Adaptive Urban Traffic Control: How to Bridge the Gap. A. Stein, S. Tomforde, D. Rauh and J. Hähner, 2016 IEEE International Conference on Autonomic Computing (ICAC), Würzburg, 2016, pp. 167–172. DOI: 10.1109/ICAC.2016.20