可信机器学习实践

随着人工智能在医疗、法律与国防等高风险领域的深度应用，各机构正投入大量资源确保机器学习模型的可信性。现有专业著作多聚焦理论概念的深度剖析，而本指南则为开发团队提供实用起点，助其构建兼具安全性、更具健壮性、低偏见性与更多可解释性的模型系统。作者Yada Pruksachatkun、Matthew McAteer与Subhabrata（Subho）Majumdar将学术界关于数据集构建与模型优化的最佳实践，转化为工业级可信机器学习系统的工程化蓝图。通过本书，工程师与数据科学家将掌握在充满噪声、复杂且常具对抗性的现实环境中，部署可信机器学习应用所必需的核心能力。

前言

第1章 隐私

机器学习途径的攻击向量

机器学习中未正确实现的隐私特征：案例研究

案例1：苹果的CSAM

案例2：GitHub Copilot

案例3：从无代码机器学习工具中窃取模型和数据

定义

隐私的定义

代理和隐私度量

隐私的法律定义

k-匿名性

机器学习途径上的侵犯隐私攻击类型

成员推断攻击

模型反转（Model Inversion）

模型窃取

窃取基于BERT的语言模型

针对输出日志模型窃取的防御措施

……