笔记回顾1|Adversarial Machine Learning的总览1

笔者原先是做传统安全的，专注于系统安全与软件安全的任务研究和算法优化。但是近几年，在“人工智能”话题火热的情况下，有关机器学习安全的问题，也是层出不穷。因此这段时间，对于这个方向有所初探，并把相关的内容自己总结成文记录下来。

注：这里引用一下我师弟Zhongling He当时在做报告时候的ppt时候的截图，帮助我总结来提炼重点。（虽然我也给了点微小的指点）

首先来回顾下机器学习的概念，其概念就是使用统计的技术使得计算机系统具有学习的“智能”。但是，计算机系统对于数据的学习能力只能局限于特定的任务，也是因为局限于当前的算法，对于场景和数据敏感性比较强，还没有我们认知中这么强的迁移能力。因此我们当前的人工智能还停留于“弱人工智能”阶段，同时要进步到“强人工智能”还需要一段时间。

这里还想补充一点，机器学习的起点就是基于数学的，目前在笔者视野范围里，一个模型的学习结果，是对于当前特定数据集合中规律的抽取，并通过数据组合规律的“学习”，去尽可能逼近最终目标场景中“函数”。

那么对于具体的学习任务而言，主要是分为三类，监督学习，非监督学习和强化学习。对于监督学习而言，输入模型的信息即为{Xi&