增强深度神经网络

图书标准信息

• 作者 杜春晓 译；凯蒂沃尔
• 出版社 中国电力出版社
• 出版时间 2020-12
• 版次 1
• ISBN 9787519849641
• 定价 78.00元
• 装帧 其他
• 开本 16开
• 纸张 胶版纸
• 页数 256页
• 字数 309千字

【内容简介】

深入深度神经网络，揭开对抗性输入如何欺骗深度神经网络。
  探讨如何生成对抗性输入去攻击深度神经网络。
  探索真实对抗性攻击场景和为对抗性威胁建模。
  评估神经网络的健壮性；学会增强人工智能系统应对对抗性数据的能力。
  考察未来几年可用哪些方式让人工智能更擅长模拟人的感知。

【作者简介】

Katy Warr专攻人工智能和数据分析。她此前有多年企业软件架构设计和开发经验。她拥有爱丁堡大学人工智能和计算机科学学位。

【目录】

目录

前言 1

第1 部分 人工智能骗术简介 9

第1 章 简介 11

深度学习简介 11

深度学习简史 13

人工智能“视错觉”：惊人的真相 15

什么是“对抗性输入”？ 17

对抗性扰动 19

不自然的对抗性输入 20

对抗性补丁 22

物理世界的对抗性样例 24

更广阔的领域：“对抗机器学习” 26

对抗性输入的启示 27

第2 章 攻击动机 29

绕过Web 过滤器 30

线上声誉和品牌管理 32

伪装自己，逃避监控 32

保护个人在线上的隐私 34

迷惑自动驾驶车辆 34

语音控制型设备 36

第3 章 深度神经网络基础 39

机器学习 39

深度学习基本概念 41

深度神经网络模型作为数学函数 45

深度神经网络的输入和输出 47

深度神经网络的内部和前馈处理 49

深度神经网络如何学习 53

创建一个简单的图像分类器 57

第4 章 用深度神经网络处理图像、音频和视频 65

图像 66

图像的数字表示 67

图像处理深度神经网络 68

卷积神经网络简介 70

音频 75

音频的数字化表示 76

音频处理深度神经网络 77

循环神经网络简介 79

语音处理 82

视频 83

视频的数字化表示 83

视频处理深度神经网络 83

对抗性思考 84

利用ResNet50 网络为图像分类 86

第2 部分 生成对抗性输入

第5 章 对抗性输入的原理 93

输入空间 95

从训练数据泛化 98

用OoD 数据做实验 100

深度神经网络在想什么？ 101

扰动攻击：最小化改动，最大化影响 106

对抗性补丁：最大化分散注意力 107

度量可检测性 108

度量扰动的一种数学方法 109

考虑人的感知 112

小结 114

第6 章 对抗性扰动的生成方法 117

白盒方法 120

搜索输入空间 120

利用模型的线性性质 123

对抗显著性 132

增加对抗置信度 138

白盒方法的变体 140

有限黑盒方法 140

基于分数的黑盒方法 147

小结 149

第3 部分 理解真实世界的威胁

第7 章 真实世界的攻击模式 153

攻击模式 153

直接攻击 155

复制品攻击 156

迁移攻击 157

通用迁移攻击 161

可复用补丁和可复用扰动 162

整合起来：混合方法和折中处理 166

第8 章 物理世界攻击 167

对抗性物体 169

对抗性物体的制作和摄像机性能 169

视角和环境 171

对抗性声音 176

音频复现和麦克风性能 177

音频位置和环境 178

在物理世界创建对抗性样例的可行性 180

第4 部分 防御

第9 章 评估模型对对抗性输入的健壮性 185

对抗性的目的、能力、约束和知识 187

目的 187

能力、知识和对系统的掌控权 191

模型评估 193

实证型健壮性度量标准 194

理论型健壮性度量标准 199

小结 201

第10 章 防御对抗性输入 202

改进模型 203

梯度遮罩 204

对抗性训练 206

应对OoD，置信度纳入训练 216

随机失活不确定的度量值 220

数据预处理 227

大型处理链中的预处理 228

智能移除对抗性内容 231

隐藏目标 232

构建对抗性输入的强大防御机制 234

开源项目 234

全局视角 236

第11 章 未来趋势：面向更健壮的人工智能系统 238

用轮廓识别增加健壮性 239

多感官输入 240

物体的构成和层级 241

写在最后 242

附录A 数学术语参考 243

作者介绍 245

封面介绍 245