文档摘要

5.4 鲁棒性与安全强化 本节摘要：安全强化针对对抗扰动、数据投毒、模型窃取与运行时异常。对抗训练把最坏扰动纳入学习，是目前相对有效的主动防御；输入净化与检测构成纵深但怕自适应攻击；形式化验证在窄规范内给证明；权限最小化、训练数据完整性、查询限速则是传统安全挪到模型时代的版本。评估必须含自适应对手。高风险系统还要有拒绝与降级，避免「防住一种攻击、在另一种上满分错」。 会员。《5.4 鲁棒性与安全强化》收录于灏天文库文集《AI伦理与安全：未来发展不可忽视的议题》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/442-ai%E4%BC%A6%E7%90%86%E4%B8%8E%E5%AE%89%E5%85%A8%E6%9C%AA%E6%9D%A5%E5%8F%91%E5%B1%95%E4%B8%8D%E5%8F%AF%E5%BF%BD%E8%A7%86%E7%9A%84%E8%AE%AE%E9%A2%98

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流