Adversarial Machine Learning
无意从一位老师的主页上看到了adversarial machine learning
该老师Benjamin Rubinstein（墨尔本大学）的个人主页
http://www.bipr.net/
传统的统计机器学习（人工只能，数据挖掘，机器学习和统计）被成功的应用与很多产品中，并加强了大数据（数据科学和分析）的产业化趋势。经典的统计机器学习的任务包含了分类，回归，密度估计和聚类。衡量统计机器学习性能的标准主要是精度（统计角度）和运行时间/存储（计算角度）。如今，统计机器学习逐渐被应用于恶意行为狂妄蔓延的系统。此时，在统计机器学习中对数据的假设（比如，平稳，独立，又或者随机性）就和数据篡改或误用这一现实不匹配。
现在的大数据的确很火，大家都在想着如何从海量数据中学习有效的知识，但这同时引起了很多人对用户隐私安全担忧。
顺应这个潮流，adversarial machine learning（对抗机器学习？） 出现了。系统的袭击者总是希望破坏其的完整性，有效性和私密性，这激发我们以下两点研究兴趣：
1）评价已有机器学习的安全性和私密性
2）如何改进已有的机器学习，让其更加安全
Benjamin利用了很多技术，如kernel methods，bayesian statistics，online learning theory，robust statistics，differential privacy，将其应用与网络安全，风险管理和数据隐私。
作者从08年就开始这项工作了，
曾经一位大牛说过，自己一个人忽悠一件事是不行的，得有一大堆人帮你一起忽悠。
15年还出了一本书
Adversarial Machine Learning: Computer Security and Statistical Machine Learning
可以吸引更多的人一起忽悠了用户隐私的确是一个极具现实意义的问题，让机器学习自己实现自我保护，也是很有意思的想法。
道理都会说，实现起来还是蛮困难的
来源：CSDN
作者：zhugege1991
链接：https://blog.csdn.net/z1125306615/article/details/43529307