为你推荐
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
2.2 无监督学习
2.3 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
4.2 决策时攻击的建模
4.3 白盒决策时攻击
4.4 黑盒决策时攻击
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
5.3 使分类器对决策时攻击近似坚固
5.4 通过特征级保护的规避鲁棒性
5.5 决策随机化
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
6.3 对无监督学习的投毒攻击
6.4 对矩阵填充的投毒攻击
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
7.5 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
8.3 使深度学习对对抗样本鲁棒
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[1]
索引
买过这本书的人还买过
读了这本书的人还在读
同类图书排行榜
购物车
个人中心
6.7
