Student při řešení práce využíval relevantní odborné zdroje zaměřené na bezpečnost modelů strojového učení, útoky typu model stealing i existující obranné přístupy. Zdroje byly vhodně využity jak při zpracování teoretické části, tak při návrhu a realizaci experimentu.

Práce byla dokončena v dostatečném předstihu a její definitivní obsah byl se mnou konzultován. Nemám k této části žádné zásadní připomínky.

Práce je psaná v anglickém jazyce, což hodnotím pozitivně. Abstrakt je velmi dobře napsaný a přesně odpovídá tomu, jak by měl kvalitní abstrakt vypadat.

Background část je dobře strukturovaná a vhodně přechází od obecných informací k detailnějším konceptům. Pozitivně hodnotím také používání formálních zápisů diskutovaných konceptů, které práci dodává technickou úroveň.

Současně ale práce trpí několika problémy v prezentaci informací. V úvodu prakticky chybí reference, takže není jasné, které myšlenky jsou autorovy vlastní a které jsou převzaté z literatury.

U základních architektur ML modelů v sekci 2.5 bych ocenil doplnění obrázků nebo architekturních diagramů pro lepší pochopení diskutovaných konceptů.

V některých částech práce chybí potřebný kontext. Například ani na straně 34 není jasné, jaký konkrétní problém vlastně řeší testovaný model použitý v experimentech. V textu se objevují zmínky o modelech pro klasifikaci obrázků nebo datasetech obrázků, ale není explicitně vysvětleno, jaká je konkrétní úloha modelu, co klasifikuje a proč byly vybrány právě tyto datasety. Použité datasety nejsou prakticky popsány — práce pouze uvádí, že byly použity nějaké datasety, ale bez hlubšího vysvětlení jejich charakteristik nebo relevance.

Stejně tak bych ocenil detailnější představení studie, na kterou práce navazuje, protože některé experimentální kroky bez znalosti původní práce nedávají dostatečný smysl.

Výsledková část je informačně poměrně hustá a čtenář se přes ni musí více „prokousat“, ale metodicky je zpracována správně.

Realizační výstup hodnotím pozitivně. Student metodicky správně provedl replikaci původní studie a následně realizoval vlastní experimentální rozšíření. Oceňuji zejména návrh perceptual hashing metody, který představuje vlastní přínos autora a ukazuje schopnost přenášet znalosti mezi různými doménami.

Velmi pozitivně hodnotím i to, že autor kriticky a poctivě vyhodnocuje dosažené výsledky a nesnaží se vlastní přístup prezentovat jako úspěšný za každou cenu. Práce otevřeně diskutuje, že navržená metoda nemusí fungovat tak efektivně, jak bylo původně očekáváno.

Současně zde ale zůstává několik nejasností. Není například jasně vysvětleno, jaké typy modelů je možné podobným způsobem „ukrást“, kde leží hranice praktické realizovatelnosti model stealing útoků a zda existuje hranice komplexity modelů, kde už podobné útoky přestávají být efektivní.

Chybí také detailnější diskuse o přidaných výpočetních nárocích a praktických nárocích deploymentu navržených obranných metod.

Evaluation level: zadání splněno

Zadání bylo splněno v požadovaném rozsahu. Student provedl replikaci existující studie, experimentálně ověřil její výsledky a následně navrhl vlastní rozšíření v podobě metody perceptual hashing. Oceňuji, že práce není pouze replikací existujícího řešení, ale obsahuje i vlastní přínos autora a snahu přenést znalosti z jiné domény do řešeného problému.

Práce využívá převážně odborné publikace a relevantní vědecké zdroje. Citace jsou zvoleny vhodně a až na introduction je většinou jasně odlišeno, co představuje převzatou informaci a co je autorův vlastní přínos.

Je škoda, že práce více nesumarizuje existující obranné metody proti model stealing útokům a jejich očekávanou účinnost. Podobná přehledová sekce by čtenářům pomohla lépe zasadit vlastní experimenty do širšího kontextu.