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
对抗鲁棒性的衡量指标
这部分内容有帮助吗？
- Towards Evaluating the Robustness of Neural Networks, Nicholas Carlini and David A. Wagner, 2017 2017 IEEE Symposium on Security and Privacy (SP) (IEEE Computer Society) DOI: 10.1109/SP.2017.49 - 介绍了针对各种$L_p$范数（$L_0, L_1, L_2$）的强大对抗性攻击（C&W攻击），并强调通过寻找导致错误分类所需的最小扰动来评估鲁棒性的重要性。
- Certified Adversarial Robustness via Randomized Smoothing, Jeremy Cohen, Elan Rosenfeld, Zico Kolter, 2019 Proceedings of the 36th International Conference on Machine Learning, Vol. 97 (PMLR) DOI: 10.48550/arXiv.1902.02923 - 引入了随机平滑作为构建可证明鲁棒分类器的通用框架，并提供了一种量化认证对抗性鲁棒性的方法。