[套装书]对抗机器学习：机器学习系统中的攻击和防御+终身机器学习（原书第2版）（2册）
| 作者 |
| [美]叶夫根尼·沃罗贝基克（Yevgeniy Vorobeychik）穆拉特·坎塔尔乔格卢（Murat Kantarcioglu）[美]陈志源（Zhiyuan Chen）刘兵（Bing Liu） |
| 丛书名 |
| 智能科学与技术丛书 |
| 出版社 |
| 机械工业出版社 |
| ISBN |
| 9781912251718 |
| 简要 |
| 简介 |
| 内容简介书籍计算机书籍 ---------------------------对抗机器学习：机器学习系统中的攻击和防御--------------------------- 本书提供了针对对抗性机器学习的弱点，研究并开发相关操作技术这一领域的概述。回顾了机器学习的概念和方法后提出了对机器学习攻击的一般分类及处理两大类攻击、相关的防御和尝试学习的攻击技术。 ---------------------------终身机器学习（原书第2版）--------------------------- 终身机器学习（Lifelong Machine Learning）第二版是对高级机器学习范式的介绍，通过积累过去的知识持续地学习，并将所学到的知识用于帮助未来的学习和问题解决。本书适用于对机器学习、数据挖掘、自然语言处理或模式识别感兴趣的学生、研究人员和从业人员。讲师随时可以在任何这些相关领域的课程中使用本书。 |
| 目录 |
---------------------------对抗机器学习：机器学习系统中的攻击和防御--------------------------- 译者序 前言 致谢 作者简介 译者简介 第1章 引言1 第2章 机器学习预备知识5 2.1 监督学习5 2.1.1 回归学习6 2.1.2 分类学习7 2.1.3 PAC可学习性9 2.1.4 对抗环境下的监督学习9 2.2 无监督学习10 2.2.1 聚类11 2.2.2 主成分分析11 2.2.3 矩阵填充12 2.2.4 对抗环境下的无监督学习13 2.3 强化学习15 2.3.1 对抗环境下的强化学习17 2.4 参考文献注释17 第3章 对机器学习的攻击类型19 3.1 攻击时机20 3.2 攻击者可以利用的信息22 3.3 攻击目标23 3.4 参考文献注释24 第4章 决策时攻击26 4.1 对机器学习模型的规避攻击示例26 4.1.1 对异常检测的攻击：多态混合27 4.1.2 对PDF恶意软件分类器的攻击28 4.2 决策时攻击的建模30 4.3 白盒决策时攻击31 4.3.1 对二元分类器的攻击：对抗性分类器规避31 4.3.2 对多类分类器的决策时攻击38 4.3.3 对异常检测器的决策时攻击40 4.3.4 对聚类模型的决策时攻击40 4.3.5 对回归模型的决策时攻击41 4.3.6 对强化学习的决策时攻击44 4.4 黑盒决策时攻击45 4.4.1 对黑盒攻击的分类法46 4.4.2 建模攻击者信息获取48 4.4.3 使用近似模型的攻击50 4.5 参考文献注释51 第5章 决策时攻击的防御53 5.1 使监督学习对决策时攻击更坚固53 5.2 最优规避鲁棒性分类56 5.2.1 最优规避鲁棒的稀疏SVM56 5.2.2 应对自由范围攻击的规避鲁棒SVM60 5.2.3 应对受限攻击的规避鲁棒SVM62 5.2.4 无限制特征空间上的规避鲁棒分类63 5.2.5 对抗缺失特征的鲁棒性64 5.3 使分类器对决策时攻击近似坚固66 5.3.1 松弛方法66 5.3.2 通用防御：迭代再训练68 5.4 通过特征级保护的规避鲁棒性69 5.5 决策随机化70 5.5.1 模型70 5.5.2 最优随机化的分类操作72 5.6 规避鲁棒的回归74 5.7 参考文献注释75 第6章 数据投毒攻击77 6.1 建模投毒攻击78 6.2 对二元分类的投毒攻击79 6.2.1 标签翻转攻击79 6.2.2 对核SVM的中毒数据插入攻击81 6.3 对无监督学习的投毒攻击84 6.3.1 对聚类的投毒攻击84 6.3.2 对异常检测的投毒攻击86 6.4 对矩阵填充的投毒攻击87 6.4.1 攻击模型87 6.4.2 交替最小化的攻击89 6.4.3 核范数最小化的攻击91 6.4.4 模仿普通用户行为92 6.5 投毒攻击的通用框架94 6.6 黑盒投毒攻击96 6.7 参考文献注释98 第7章 数据投毒的防御100 7.1 通过数据二次采样的鲁棒学习100 7.2 通过离群点去除的鲁棒学习101 7.3 通过修剪优化的鲁棒学习104 7.4 鲁棒的矩阵分解107 7.4.1 无噪子空间恢复107 7.4.2 处理噪声108 7.4.3 高效的鲁棒子空间恢复109 7.5 修剪优化问题的高效算法110 7.6 参考文献注释111 第8章 深度学习的攻击和防御113 8.1 神经网络模型114 8.2 对深度神经网络的攻击：对抗样本115 8.2.1 l2范数攻击116 8.2.2 l∞范数攻击119 8.2.3 l0范数攻击121 8.2.4 物理世界中的攻击122 8.2.5 黑盒攻击123 8.3 使深度学习对对抗样本鲁棒123 8.3.1 鲁棒优化124 8.3.2 再训练127 8.3.3 蒸馏127 8.4 参考文献注释128 第9章 未来之路131 9.1 超出鲁棒优化的范围131 9.2 不完全信息132 9.3 预测的置信度133 9.4 随机化133 9.5 多个学习器134 9.6 模型和验证134 参考文献136 索引146 ---------------------------终身机器学习（原书第2版）--------------------------- 译者序 前 言 致 谢 第1章 引言1 1.1 传统机器学习范式1 1.2 案例3 1.3 终身学习简史7 1.4 终身学习的定义9 1.5 知识类型和关键挑战14 1.6 评估方法和大数据的角色17 1.7 本书大纲18 第2章 相关学习范式20 2.1 迁移学习20 2.1.1 结构对应学习21 2.1.2 朴素贝叶斯迁移分类器22 2.1.3 迁移学习中的深度学习23 2.1.4 迁移学习与终身学习的区别24 2.2 多任务学习25 2.2.1 多任务学习中的任务相关性25 2.2.2 GO-MTL：使用潜在基础任务的多任务学习26 2.2.3 多任务学习中的深度学习28 2.2.4 多任务学习与终身学习的区别30 2.3 在线学习30 2.4 强化学习31 2.5 元学习32 2.6 小结34 第3章 终身监督学习35 3.1 定义和概述36 3.2 基于记忆的终身学习37 3.2.1 两个基于记忆的学习方法37 3.2.2 终身学习的新表达37 3.3 终身神经网络39 3.3.1 MTL网络39 3.3.2 终身EBNN40 3.4 ELLA：高效终身学习算法41 3.4.1 问题设定41 3.4.2 目标函数42 3.4.3 解决第一个低效问题43 3.4.4 解决第二个低效问题45 3.4.5 主动的任务选择46 3.5 终身朴素贝叶斯分类47 3.5.1 朴素贝叶斯文本分类47 3.5.2 LSC的基本思想49 3.5.3 LSC技术50 3.5.4 讨论52 3.6 基于元学习的领域词嵌入52 3.7 小结和评估数据集54 第4章 持续学习与灾难性遗忘56 4.1 灾难性遗忘56 4.2 神经网络中的持续学习58 4.3 无遗忘学习61 4.4 渐进式神经网络62 4.5 弹性权重合并63 4.6 iCaRL：增量分类器与表示学习65 4.6.1 增量训练66 4.6.2 更新特征表示67 4.6.3 为新类构建范例集68 4.6.4 在iCaRL中完成分类68 4.7 专家网关69 4.7.1 自动编码网关69 4.7.2 测量训练的任务相关性70 4.7.3 为测试选择最相关的专家71 4.7.4 基于编码器的终身学习71 4.8 生成式重放的持续学习72 4.8.1 生成式对抗网络72 4.8.2 生成式重放73 4.9 评估灾难性遗忘74 4.10 小结和评估数据集75 第5章 开放式学习79 5.1 问题定义和应用80 5.2 基于中心的相似空间学习81 5.2.1 逐步更新CBS学习模型82 5.2.2 测试CBS学习模型84 5.2.3 用于未知类检测的CBS学习84 5.3 DOC：深度开放式分类87 5.3.1 前馈层和一对其余层87 5.3.2 降低开放空间风险89 5.3.3 DOC用于图像分类90 5.3.4 发现未知类90 5.4 小结和评估数据集91 第6章 终身主题建模93 6.1 终身主题建模的主要思想93 6.2 LTM：终身主题模型97 6.2.1 LTM模型97 6.2.2 主题知识挖掘99 6.2.3 融合过去的知识100 6.2.4 Gibbs采样器的条件分布102 6.3 AMC：少量数据的终身主题模型102 6.3.1 AMC整体算法103 6.3.2 挖掘must-link知识104 6.3.3 挖掘cannot-link知识107 6.3.4 扩展的Pólya瓮模型108 6.3.5 Gibbs采样器的采样分布110 6.4 小结和评估数据集112 第7章 终身信息提取114 7.1 NELL：永不停止语言学习器114 7.1.1 NELL结构117 7.1.2 NELL中的提取器与学习118 7.1.3 NELL中的耦合约束120 7.2 终身评价目标提取121 7.2.1 基于推荐的终身学习122 7.2.2 AER算法123 7.2.3 知识学习124 7.2.4 使用过去知识推荐125 7.3 在工作中学习126 7.3.1 条件随机场127 7.3.2 一般依赖特征128 7.3.3 L-CRF算法130 7.4 Lifelong-RL：终身松弛标记法131 7.4.1 松弛标记法132 7.4.2 终身松弛标记法133 7.5 小结和评估数据集133 第8章 聊天机器人的持续知识学习135 8.1 LiLi：终身交互学习与推理136 8.2 LiLi的基本思想139 8.3 LiLi的组件141 8.4 运行示例142 8.5 小结和评估数据集142 第9章 终身强化学习144 9.1 基于多环境的终身强化学习146 9.2 层次贝叶斯终身强化学习147 9.2.1 动机147 9.2.2 层次贝叶斯方法148 9.2.3 MTRL算法149 9.2.4 更新层次模型参数150 9.2.5 对MDP进行采样151 9.3 PG-ELLA：终身策略梯度强化学习152 9.3.1 策略梯度强化学习152 9.3.2 策略梯度终身学习设置154 9.3.3 目标函数和优化154 9.3.4 终身学习的安全策略搜索156 9.3.5 跨领域终身强化学习156 9.4 小结和评估数据集157 第10章 结论及未来方向159 参考文献164 |
有问题微信扫码联系