دراسة متقدمة لتعزيز متانة نماذج تصنيف الصور ضد الهجمات العدائية باستخدام Deep Learning (Adversarial Attacks & Defenses on Image Classifiers | PyTorch)

مشروع بحثي في مجال Deep Learning وComputer Vision يركز على دراسة مدى قابلية نماذج تصنيف الصور للهجمات العدائية (Adversarial Attacks)، مع تقييم فعالية تقنيات Adversarial Training في تحسين متانة النماذج مع الحفاظ على دقتها. تم تنفيذ المشروع باستخدام PyTorch، حيث بدأ بتطوير وتقييم نموذج CNN خفيف على مجموعة بيانات MNIST للتحقق من صحة بيئة الاختبار، ثم تم توسيع الدراسة إلى مجموعة CIFAR-10 لتقييم أداء النموذج في سيناريوهات أكثر تعقيدًا. تضمن المشروع تنفيذ أشهر الهجمات البيضاء (White-Box Attacks) مثل FGSM وPGD، ثم مقارنة أداء النموذج الأساسي مع ثلاثة أساليب دفاع مختلفة وهي FGSM Adversarial Training وPGD Adversarial Training وMixed Adversarial Training، مع تحليل تأثير كل استراتيجية على التوازن بين دقة النموذج على البيانات الطبيعية (Clean Accuracy) ومقاومته للهجمات (Robust Accuracy). أبرز ما يقدمه المشروع تصميم وتدريب نماذج CNN باستخدام PyTorch. تنفيذ هجمات FGSM وPGD من الصفر. تطبيق استراتيجيات Adversarial Training المختلفة. تقييم أداء النماذج على بيانات نظيفة وبيانات مُهاجمة. إجراء تجارب مقارنة ودراسة Ablation Analysis. تحليل المفاضلة بين الدقة ومقاومة الهجمات. إعداد نتائج قابلة لإعادة الإنتاج (Reproducible Experiments) مع تقرير علمي بصيغة IEEE. التقنيات المستخدمة Python PyTorch TorchVision NumPy Pandas Matplotlib Computer Vision Deep Learning Adversarial Machine Learning يعكس هذا المشروع قدرتي على تنفيذ مشاريع تعلم عميق متقدمة تشمل تصميم النماذج، تنفيذ الهجمات الدفاعية، تحليل النتائج، وإجراء تجارب بحثية قابلة لإعادة الإنتاج وفقًا للممارسات الأكاديمية الحديثة.