趋近智
高级对抗性机器学习
章节 1: 对抗性机器学习安全的基本原理
机器学习安全弱点概述
机器学习中的威胁模型
攻击面：训练与推理
对抗样本的数学表述
对抗性攻击的分类体系
防御策略概览
章节 2: 进阶规避攻击
基于梯度的攻击：FGSM、BIM、PGD分析
基于优化的攻击：Carlini & Wagner 方法
基于评分的攻击技术
基于判定的攻击方法
对抗样本的可迁移性
攻击集成模型
实现规避攻击：动手实践
章节 3: 数据投毒和后门攻击
投毒攻击策略：可用性与完整性
定向数据投毒技术
后门攻击机制与触发器设计
干净标签投毒攻击
分析投毒对模型训练的影响
构建数据投毒攻击：动手实践
章节 4: 模型推断与隐私攻击
成员推断攻击：理论与方法
属性推断技术
模型反演与重建攻击
模型窃取：功能提取方法
与差分隐私的关联
成员身份推断的实际操作
章节 5: 强大的防御机制
对抗训练：原理与变体
可认证防御：随机平滑
输入转换防御
梯度遮蔽与模糊问题
应对投毒和后门攻击
对抗训练的实现：动手操作
章节 6: 评估模型抗攻击能力
对抗鲁棒性的衡量指标
基准测试工具与框架
自适应攻击：正确评估防御措施
不同威胁模型下的安全评估
解释鲁棒性评估结果
设置鲁棒性基准：实践操作
章节 7: 对抗样本在特定应用场景
针对计算机视觉模型的对抗性攻击
为NLP模型生成对抗性文本
对强化学习智能体的攻击
物理对抗性攻击
特定应用场景的攻击考量
生成对抗性文本：实践
高级对抗性机器学习
本课程对机器学习模型面临的对抗性攻击及其防御方法进行详细分析。内容涵盖规避攻击、投毒攻击和推理攻击等高级攻击手段，以及对抗训练、认证鲁棒性等精巧防御策略。您将学习如何严格评估模型安全性，并应用前沿技术来构建更安全的AI系统。本课程适合希望了解和减轻机器学习部署中弱点的工程师和研究人员。
先修课程 扎实的机器学习与Python技能。
级别:
高级
高级攻击实践
实现精巧的规避攻击（C&W, PGD）和数据投毒策略。
防御机制
应用并分析对抗训练和认证防御等高级防御技术。
模型推理攻击
了解并实施成员推理、属性推理和模型窃取攻击。
鲁棒性评估
使用标准基准和适应性攻击策略严格评估模型安全性。
特定领域对抗性机器学习
分析计算机视觉和自然语言处理等领域特有的对抗性威胁。
实践应用
获得使用ART或CleverHans等框架进行攻击与防御模拟的实践经验。
本课程没有先修课程。
目前没有推荐的后续课程。
登录以撰写评论
分享您的反馈以帮助其他学习者。
© 2026 ApX Machine Learning用心打造