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
对抗性攻击的分类体系
这部分内容有帮助吗？
- Explaining and Harnessing Adversarial Examples, Ian J. Goodfellow, Jonathon Shlens, and Christian Szegedy, 2015 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1412.6572 - 提出了快速梯度符号法 (FGSM)，并讨论了对抗性样本的基本特性，为白盒规避攻击奠定了基础。
- Towards Evaluating the Robustness of Neural Networks, Nicholas Carlini and David A. Wagner, 2017 IEEE Symposium on Security and Privacy (SP) (IEEE) DOI: 10.1109/SP.2017.49 - 介绍了强大的基于优化的白盒对抗性攻击 (C&W 攻击)，并详细说明了生成有目标和无目标对抗性样本的方法。
- Practical Black-Box Attacks against Machine Learning Systems using Adversarial Examples, Nicolas Papernot, Patrick McDaniel, Arjund Sinha, Z. Berkay Celik, 2017 ACM Asia Conference on Computer and Communications Security (ASIACCS) (ACM) DOI: 10.1145/3052973.3053009 - 展示了对抗性样本的迁移性，并介绍了使用替代模型的黑盒攻击策略。
- Decision-Based Adversarial Attacks: Reliable Attacks Against Black-Box Machine Learning Models, Wieland Brendel, Jonas Rauber, and Matthias Bethge, 2018 International Conference on Learning Representations (ICLR) DOI: 10.48550/arXiv.1712.04248 - 介绍了边界攻击，这是一种高效的基于决策的黑盒攻击，只需访问模型的最终标签预测。