●前言
第1部分 人工智能騙術簡介
第1章 簡介
深度學習簡介
深度學習簡史
人工智能“視錯覺”：驚人的真相
什麼是“對抗性輸入”？
對抗性擾動
不自然的對抗性輸入
對抗性補丁
物理世界的對抗性樣例
更廣闊的領域：“對抗機器學習”
對抗性輸入的啟示
第2章 攻擊動機
繞過Web過濾器
線上聲譽和品牌管理
偽裝自己，逃避監控
保護個人在線上的隱私
迷惑自動駕駛車輛
語音控制型設備
第3章 深度神經網絡基礎
機器學習
深度學習基本概念
深度神經網絡模型作為數學函數
深度神經網絡的輸入和輸出
深度神經網絡的內部和前饋處理
深度神經網絡如何學習
創建一個簡單的圖像分類器
第4章 用深度神經網絡處理圖像、音頻和視頻
圖像
圖像的數字表示
圖像處理深度神經網絡
卷積神經網絡簡介
音頻
音頻的數字化表示
音頻處理深度神經網絡
循環神經網絡簡介
語音處理
視頻
視頻的數字化表示
視頻處理深度神經網絡
對抗性思考
利用ResNet50網絡為圖像分類
第2部分 生成對抗性輸入
第5章 對抗性輸入的原理
輸入空間
從訓練數據泛化
用OoD數據做實驗
深度神經網絡在想什麼？
擾動攻擊：最小化改動，優選化影響
對抗性補丁：優選化分散注意力
度量可檢測性
度量擾動的一種數學方法
考慮人的感知
小結
第6章 對抗性擾動的生成方法
白盒方法
搜索輸入空間
利用模型的線性性質
對抗顯著，陛
增加對抗置信度
白盒方法的變體
有限黑盒方法
基於分數的黑盒方法
小結
第3部分 理解真實世界的威脅
第7章 真實世界的攻擊模式
攻擊模式
直接攻擊
復制品攻擊
遷移攻擊
通用遷移攻擊
可復用補丁和可復用擾動
整合起來：混合方法和折中處理
第8章 物理世界攻擊
對抗性物體
對抗性物體的制作和攝像機性能
視角和環境
對抗性聲音
音頻復現和麥克風性能
音頻位置和環境
在物理世界創建對抗性樣例的可行性
第4部分 防御
第9章 評估模型對對抗性輸入的健壯性
對抗性的目的、能力、約束和知識
目的
能力、知識和對繫統的掌控權
模型評估
實證型健壯性度量標準
理論型健壯性度量標準
小結
第10章 防御對抗性輸入
改進模型
梯度遮罩
對抗性訓練
應對OoD，置信度納入訓練
隨機失活不確定的度量值
數據預處理
大型處理鏈中的預處理
智能移除對抗性內容
隱藏目標
構建對抗性輸入的強大防御機制
開源項目
全局視角
第11章 未來趨勢：面向更健壯的人工智能繫統
用輪廓識別增加健壯性
多感官輸入
物體的構成和層級
寫在最後
附錄A 數學術語參考
作者介紹
封面介紹

隨著深度神經網絡（DNN）實際應用日益普遍，攻擊者可在不引起人警覺的情況下，構造數據蓄意“欺騙”深度神經網絡，這種新型攻擊向量（攻擊手段）威脅到以深度神經網絡為核心算法的人工智能繫統的安全。本書緊貼實際，考察了深度神經網絡算法的多種真實應用場景，如圖像、音頻和視頻數據處理。本書作者探討了對抗性攻擊的意圖，分析了對抗性輸入對人工智能繫統的威脅，並考察了現有對抗性攻擊和防御方法，為增強深度神經網絡，使其健壯應對對抗性攻擊，做了諸多有益的探索。如果你是數據科學家，正在開發深度神經網絡算法，或是安全架構師，有意提升人工智能繫統應對攻擊的能力，又或是對人工和生物感知的差異感興趣，那麼本書正是為你而寫的。深入深度神經網絡，揭示對抗性輸入如何欺騙深度神經網絡。探討如何生成對抗性輸入去攻擊深度神經網絡。探索真實對抗性攻擊場景和為對抗性威脅建模。評估神經網絡的健壯性；學會增強人工智能繫統應對對抗等