Viabilidad de los ataques de reconstrucción en redes neuronales profundas cuando partes del modelo están expuestas a los atacantes.

Identificador:  TFM:2418

Handle: https://hdl.handle.net/20.500.11797/TFM2418

Autores:  Prieto Tárrega, Hugo

Resumen:
Este trabajo analiza ataques de reconstrucción contra redes neuronales profundas (DNN) protegidas parcialmente en Entornos de Ejecución Confiable (TEE), donde algunas capas quedan expuestas. Usando ResNet-50 entrenado por EMBL como caso de estudio, se implementan ataques de caja negra (inversión generativa) y caja blanca (redes inversoras por capa) para evaluar la recuperación de imágenes originales. Se mide similitud visual, tiempo de entrenamiento y precisión de clasificación. Los resultados muestran riesgos de privacidad en protecciones parciales y buscan guiar técnicas más robustas en aprendizaje profundo.