Wild Patterns: Ten Years After the Rise of Adversarial Machine Learning reading

• 攻击目标
  • 安全破坏
    • 完整性破坏: 逃避检测，而不影响正常的系统运行
    • 可用性破坏: 使得合法用户不能正常使用系统
    • 隐私性破坏: 通过逆向工程获得系统，用户和数据的相关信息
  • 攻击的针对性: 针对特定的样本集，还是任意样本并引发分类错误
  • 错误的针对性: 造成针对性的错误(比如针对地将
    标签：学习,样本,训练,Ten,攻击,模型,Rise,---,攻击者
    From： https://www.cnblogs.com/iridescense/p/17519088.html