编辑推荐
为你详解机器学习中的那些安全性问题。
内容简介
本书讨论机器学习中的安全性问题，即讨论各种干扰机器学习系统输出正确结果的攻击方法以及对应的防御方法。书中首先回顾机器学习的概念和方法，提出对机器学习攻击的总体分类。然后讨论两种主要类型的攻击和相关防御：决策时攻击和投毒攻击。之后，讨论针对深度学习的攻击的新技术，以及提高深度神经网络鲁棒性的方法。最后，讨论对抗学习领域的几个重要问题。
作者简介
作者叶夫根尼·沃罗贝基克，圣路易斯华盛顿大学计算机科学与工程学院的副教授。此前，他是桑迪亚国家实验室的首席研究科学家。2008年至2010年，他是宾夕法尼亚大学计算机与信息科学系的博士后研究员。他获得了密歇根大学的计算机科学与工程博士学位(2008)和硕士学位(2004)，以及西北大学的计算机工程学士学位。
他的工作重点是安全与隐私的博弈论建模，对抗机器学习，算法和行为博弈论和激励设计，优化，基于代理的建模，复杂系统，网络科学，流行病控制。
沃罗贝基克博士在2017年获得了美国国家科学基金会职业成就奖，并受邀发表了ijcai16早期职业聚焦演讲。他被提名为2008年ACM博士学位论文奖，并获得了2008年IFAAMAS杰出论文奖的荣誉奖。
章节目录
版权信息
译者序
前言
致谢
作者简介
译者简介
第1章 引言
第2章 机器学习预备知识
2.1 监督学习
2.1.1 回归学习
2.1.2 分类学习
2.1.3 PAC可学习性
2.1.4 对抗环境下的监督学习
2.2 无监督学习
2.2.1 聚类
2.2.2 主成分分析
2.2.3 矩阵填充
2.2.4 对抗环境下的无监督学习
2.3 强化学习
2.3.1 对抗环境下的强化学习
2.4 参考文献注释
第3章 对机器学习的攻击类型
3.1 攻击时机
3.2 攻击者可以利用的信息
3.3 攻击目标
3.4 参考文献注释
第4章 决策时攻击
4.1 对机器学习模型的规避攻击示例
4.1.1 对异常检测的攻击：多态混合
4.1.2 对PDF恶意软件分类器的攻击
4.2 决策时攻击的建模
4.3 白盒决策时攻击
4.3.1 对二元分类器的攻击：对抗性分类器规避
4.3.2 对多类分类器的决策时攻击
4.3.3 对异常检测器的决策时攻击
4.3.4 对聚类模型的决策时攻击
4.3.5 对回归模型的决策时攻击
4.3.6 对强化学习的决策时攻击
4.4 黑盒决策时攻击
4.4.1 对黑盒攻击的分类法
4.4.2 建模攻击者信息获取
4.4.3 使用近似模型的攻击
4.5 参考文献注释
第5章 决策时攻击的防御
5.1 使监督学习对决策时攻击更坚固
5.2 最优规避鲁棒性分类
5.2.1 最优规避鲁棒的稀疏SVM
5.2.2 应对自由范围攻击的规避鲁棒SVM
5.2.3 应对受限攻击的规避鲁棒SVM
5.2.4 无限制特征空间上的规避鲁棒分类
5.2.5 对抗缺失特征的鲁棒性
5.3 使分类器对决策时攻击近似坚固
5.3.1 松弛方法
5.3.2 通用防御：迭代再训练
5.4 通过特征级保护的规避鲁棒性
5.5 决策随机化
5.5.1 模型
5.5.2 最优随机化的分类操作
5.6 规避鲁棒的回归
5.7 参考文献注释
第6章 数据投毒攻击
6.1 建模投毒攻击
6.2 对二元分类的投毒攻击
6.2.1 标签翻转攻击
6.2.2 对核SVM的中毒数据插入攻击
6.3 对无监督学习的投毒攻击
6.3.1 对聚类的投毒攻击
6.3.2 对异常检测的投毒攻击
6.4 对矩阵填充的投毒攻击
6.4.1 攻击模型
6.4.2 交替最小化的攻击
6.4.3 核范数最小化的攻击
6.4.4 模仿普通用户行为
6.5 投毒攻击的通用框架
6.6 黑盒投毒攻击
6.7 参考文献注释
第7章 数据投毒的防御
7.1 通过数据二次采样的鲁棒学习
7.2 通过离群点去除的鲁棒学习
7.3 通过修剪优化的鲁棒学习
7.4 鲁棒的矩阵分解
7.4.1 无噪子空间恢复
7.4.2 处理噪声
7.4.3 高效的鲁棒子空间恢复
7.5 修剪优化问题的高效算法
7.6 参考文献注释
第8章 深度学习的攻击和防御
8.1 神经网络模型
8.2 对深度神经网络的攻击：对抗样本
8.2.1 l2范数攻击
8.2.2 l∞范数攻击
8.2.3 l0范数攻击
8.2.4 物理世界中的攻击
8.2.5 黑盒攻击
8.3 使深度学习对对抗样本鲁棒
8.3.1 鲁棒优化
8.3.2 再训练
8.3.3 蒸馏
8.4 参考文献注释
第9章 未来之路
9.1 超出鲁棒优化的范围
9.2 不完全信息
9.3 预测的置信度
9.4 随机化
9.5 多个学习器
9.6 模型和验证
参考文献
索引
对抗机器学习：机器学习系统中的攻击和防御是2019年由机械工业出版社华章分社出版,作者[美] 叶夫根尼·沃罗贝基克。
得书感谢您对《对抗机器学习：机器学习系统中的攻击和防御》关注和支持，如本书内容有不良信息或侵权等情形的，请联系本网站。
