《 人工智能：数据与模型安全 姜育刚 马兴军 吴祖煊》姜育刚 马兴军 吴祖煊 机械工业出版社 2024/3/1

内容简介：

本教材聚焦学术前沿，围绕人工智能的两大核心要素，即数据和模型，对人工智能领域安全问题以及相关攻防算法展开系统全面、详细深入的介绍。本教材可以帮助学生充分了解人工智能数据与模型所面临的安全风险，学习基础的攻防理论，掌握关键的攻防技巧。

目录：

序
前言
常用符号表
第 1 章 人工智能与安全概述　　1
1.1 人工智能的定义　　　 1
1.2 人工智能的发展　　　 2
1.2.1 三起两落　　　 3
1.2.2 重大突破　　　 5
1.3 人工智能安全　　　 8
1.3.1 数据与模型安全　　8
1.3.2 现实安全问题　　 9
1.4 本章小结　　　　 10
1.5 习题　　　　 11
第 2 章 机器学习基础　　　12
2.1 基本概念　　　　 12
2.2 学习范式　　　　 17
2.2.1 有监督学习　　　17
2.2.2 无监督学习　　　18
2.2.3 强化学习　　　20
2.2.4 其他范式　　　21
2.3 损失函数　　　　 26
2.3.1 分类损失　　　26
2.3.2 单点回归损失　 28
2.3.3 边框回归损失　 29
2.3.4 人脸识别损失　 30
2.3.5 自监督学习损失　 33
2.4 优化方法　　　　 34
2.4.1 梯度下降　　　35
2.4.2 随机梯度下降　 36
2.4.3 改进的随机梯度下降　 36
2.5 本章小结　　　　 39
2.6 习题　　　　 39
第 3 章 人工智能安全基础　 40
3.1 基本概念　　　　 40
3.2 威胁模型　　　　 43
3.2.1 白盒威胁模型　 43
3.2.2 黑盒威胁模型　 44
3.2.3 灰盒威胁模型　 44
3.3 攻击类型　　　　 45
3.3.1 攻击目的　　　46
3.3.2 攻击对象　　　49
3.3.3 攻击时机　　　52
3.4 防御类型　　　　 54
3.4.1 攻击检测　　　54
3.4.2 数据保护　　　55
3.4.3 模型增强　　　56
3.5 本章小结　　　　 58
3.6 习题　　　　 58
第 4 章 数据安全：攻击　　　59
4.1 数据投毒　　　　 59
4.1.1 标签投毒攻击　 60
4.1.2 在线投毒攻击　 60
4.1.3 特征空间攻击　 61
4.1.4 双层优化攻击　 62
4.1.5 生成式攻击　　　65
4.1.6 差别化攻击　　　65
4.1.7 投毒预训练大模型　 66
4.2 隐私攻击　　　　 67
4.2.1 成员推理攻击　 67
4.2.2 属性推理攻击　 74
4.2.3 其他推理攻击　 75
4.3 数据窃取　　　　 75
4.3.1 黑盒数据窃取　 77
4.3.2 白盒数据窃取　 79
4.3.3 数据窃取大模型　 81
4.4 篡改与伪造　　　82
4.4.1 普通篡改　　　83
4.4.2 深度伪造　　　84
4.5 本章小结　　　　 97
4.6 习题　　　　 97
第 5 章 数据安全：防御　　　98
5.1 鲁棒训练　　　　 98
5.2 差分隐私　　　 100
5.2.1 差分隐私概念　　100
5.2.2 差分隐私在深度学习中
的应用　　　 103
5.3 联邦学习　　　 106
5.3.1 联邦学习概述　　106
5.3.2 横向联邦　　 111
5.3.3 纵向联邦　　 113
5.3.4 隐私与安全　　 116
5.4 篡改与深伪检测　　 121
5.4.1 普通篡改检测　　121
5.4.2 深度伪造检测　　122
5.5 本章小结　　　 128
5.6 习题　　　　　128
第 6 章 模型安全：对抗攻击　　129
6.1 白盒攻击　　　 130
6.2 黑盒攻击　　　 136
6.2.1 查询攻击　　 136
6.2.2 迁移攻击　　 140
6.3 物理攻击　　　 145
6.4 本章小结　　　 152
6.5 习题　　　　　152
第 7 章 模型安全：对抗防御　　153
7.1 对抗样本成因　　　 153
7.1.1 高度非线性假说　　153
7.1.2 局部线性假说　　155
7.1.3 边界倾斜假说　　156
7.1.4 高维流形假说　　157
7.1.5 不鲁棒特征假说　　159
7.2 对抗样本检测　　　 161
7.2.1 二级分类法　　 162
7.2.2 主成分分析法　　163
7.2.3 异常分布检测法　　164
7.2.4 预测不一致性　　168
7.2.5 重建不一致性　　170
7.2.6 诱捕检测法　　 171
7.3 对抗训练　　　 172
7.3.1 早期对抗训练　　173
7.3.2 PGD 对抗训练　 176
7.3.3 TRADES 对抗训练　179
7.3.4 样本区分对抗训练　180
7.3.5 数据增广对抗训练　181
7.3.6 参数空间对抗训练　182
7.3.7 对抗训练的加速　　183
7.3.8 大规模对抗训练　　186
7.3.9 对抗蒸馏　　 188
7.3.10 鲁棒模型结构　 190
7.4 输入空间防御　　　 192
7.4.1 输入去噪　　 192
7.4.2 输入压缩　　 192
7.4.3 像素偏转　　 192
7.4.4 输入随机化　　 193
7.4.5 生成式防御　　 193
7.4.6 图像修复　　 194
7.5 可认证防御　　　 194
7.5.1 基本概念　　 194
7.5.2 认证小模型　　 195
7.5.3 认证中模型　　 197
7.5.4 认证大模型　　 201
7.6 本章小结　　　 203
7.7 习题　　　　　203
第 8 章 模型安全：后门攻击　　204
8.1 输入空间攻击　　　 205
8.2 模型空间攻击　　　 210
8.3 特征空间攻击　　　 213
8.4 迁移学习攻击　　　 214
8.5 联邦学习攻击