Adversarial Machine Learning: Bayesian Perspectives
对抗机器学习：贝叶斯视角AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦机器学习安全与贝叶斯决策，缺乏所列经济计量细分方向的直接证据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
对抗机器学习：贝叶斯视角
- 研究问题
- 在攻击者主动操纵输入数据的环境中，如何放松对双方利益与不确定性判断具有共同知识的假设，为学习系统提供防御？
- 方法与思路
- 作者先回顾基于博弈论的对抗机器学习方法，再以贝叶斯方式显式建模对攻击者信念和利益的不确定性，并用监督学习示例说明。
- 材料陈述的贡献
- 摘要称，贝叶斯视角能够放松不现实的共同知识假设并提供更稳健的推断，同时梳理监督学习应用及未来研究问题。
- 阅读关注点
- 应核对攻击者模型、信念与利益的先验如何设定，防御决策采用何种准则，以及所谓稳健性对应的评价指标和比较环境。
- 阅读边界
- 所给材料为版本未注明的 OpenAlex 索引摘要；摘要未给出稳健性定义、具体保证或量化比较，不能据此认定防御普遍更优。
原文摘要
Adversarial Machine Learning (AML) is emerging as a major field aimed at protecting Machine Learning (ML) systems against security threats: in certain scenarios there may be adversaries that actively manipulate input data to fool learning systems.This creates a new class of security vulnerabilities that ML systems may face, and a new desirable property called adversarial robustness essential to trust operations based on ML outputs.Most work in AML is built upon a game-theoretic modeling of the conflict between a learning system and an adversary, ready to manipulate input data.This assumes that each agent knows their opponent's interests and uncertainty judgments, facilitating inferences based on Nash equilibria.However, such common knowledge assumption is not realistic in the security scenarios typical of AML.After reviewing such game-theoretic approaches, we discuss the benefits that Bayesian perspectives provide when defending ML-based systems.We demonstrate how the Bayesian approach allows us to explicitly model our uncertainty about the opponent's beliefs and interests, relaxing unrealistic assumptions, and providing more robust inferences.We illustrate this approach in supervised learning settings, and identify relevant future research problems.