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
基于评分的攻击技术
这部分内容有帮助吗？
- Black-box Adversarial Attacks with Random Forests and Evolution Strategies, Andrew Ilyas, Logan Engstrom, Anish Athalye, Jessy Lin, 2018 Proceedings of the 35th International Conference on Machine Learning (ICML), Vol. 80 - 提出了一种黑盒攻击方法，利用进化策略（ES）高效估计梯度以生成对抗性样本，解决了查询复杂性问题。
- Adversarial Examples Are a Natural Consequence of Test Error in the Finite-Data Regime, Jonathan Uesato, Rohan Anil, Tom Filer, Alistair Gilbert, Luisa F. Richter, Clemens Rosenbaum, 2018 Advances in Neural Information Processing Systems (NeurIPS), Vol. 31 - 探讨了对抗性样本的基本特性，并展示了同步扰动随机近似（SPSA）作为一种有效的基于分数的攻击策略的应用。
- A Survey on Black-Box Adversarial Attacks and Defenses, Yanjiao Cao, Yuanzhang Liu, Lin Liu, Bo Li, Wenqi Zhou, Ming Li, 2021 ACM Computing Surveys, Vol. 54 (Association for Computing Machinery (ACM)) DOI: 10.1145/3477148 - 全面回顾了黑盒对抗性攻击和防御机制，为各种基于分数的攻击技术及其实际应用提供了背景。