人工智能安全：原理与实践 课件 第8章 梯度下降算法的安全应用 .pptx

第8章梯度下降算法的安全应用8.1梯度下降算法原理简介

本章介绍梯度下降（GradientDescent）算法是机器学习中最常用的优化方法之一。它的作用是通过迭代寻找函数的最大值或最小值。本章介绍了梯度下降算法的原理、优化方法、常见问题以及实际应用。在编程实践部分介绍了一个基于梯度下降的模型逆向（ModelInversion）攻击。

1.梯度下降算法概述在机器学习中，通常用梯度下降算法最小化代价函数（CostFunction），这样就可以得到模型的最优参数。梯度下降算法原理如图所示。

1.梯度下降算法概述梯度下降算法的核心思想很简单，它的原理是在每一步迭代过程中，沿着函数梯度方向移动一定的距离，进而达到找到最小值的目的。梯度下降算法的一般步骤如下：（1）初始化参数（2）计算代价函数（3）计算梯度（4）更新参数（5）重复步骤2-4

2.梯度下降算法优化方法虽然梯度下降算法很简单，但是在实际应用中，为了提高算法的效率和稳定性，通常需要对其进行优化。下面介绍几种常见的梯度下降算法优化方法。（1）批量梯度下降算法（BatchGradientDescent）（2）随机梯度下降算法（StochasticGradientDescent）（3）小批量梯度下降算法（Mini-BatchGradientDescent）（4）动量梯度下降算法（MomentumGradientDescent）（5）自适应学习率梯度下降算法（AdaptiveLearningRateGradientDescent）

3.梯度下降算法的应用梯度下降算法在人工智能机器学习中有着广泛的应用，下面介绍几个常见的应用场景。(1)线性回归(2)逻辑回归(3)神经网络(4)深度学习深度学习通常使用随机梯度下降算法或小批量梯度下降算法来进行训练。在深度学习中，梯度下降算法的性能对于模型的精度和速度都有着至关重要的影响。

小结本小节详细介绍梯度下降算法的技术原理、优化方法以及其典型的应用场景。

祝同学们学习进步！致谢

李剑博士，教授，博士生导师网络空间安全学院lijian@bupt.edu.cnJanuary23,2025第8章梯度下降算法的安全应用实践8-1基于梯度下降的模型逆向攻击

本章介绍模型逆向是一种针对机器学习模型的隐私攻击，目的是从模型的输出推断回其输入数据，或者从模型中提取关于输入数据的信息。

1.模型逆向攻击简介敏感数据上训练的模型可能会意外地泄露关于其训练数据的信息。通过模型逆向，研究人员可以评估模型可能泄露的信息量，从而设计更好的数据保护策略和模型结构。另外在数据受限的情况下，模型逆向可以用来生成新的数据实例，这些数据实例可以用于进一步的训练和增强模型的性能。模型逆向攻击如图所示。

1.模型逆向攻击简介常见的模型逆向攻击分类如下：（1）特征推导攻击（FeatureInferenceAttacks）：（2）数据重建攻击（DataReconstructionAttacks）：

2.实践目的本节实践内容“基于梯度下降的模型逆向攻击”的目的如下：（1）理解机器学习隐私问题（2）熟悉基于梯度下降的模型逆向攻击及实现（3）体验对抗性思维

3.常见的模型逆向攻击方法常见的模型逆向攻击方法如下：1.梯度下降法（GradientDescentMethods）：使用梯度下降优化产生的输出，使其更接近目标样本，从而推导出训练数据。2.生成式模型（GenerativeModels）：使用生成式对抗网络（GANs）等技术生成可能的训练样本。3.特征匹配（FeatureMatching）：通过比较模型各层中间激活值与已知样本，尝试生成匹配训练数据特征的新样本。基于梯度下降的模型逆向攻击（ModelInversionAttackusingGradientDescent）是一种通过优化过程，逐步调整输入数据（通常是初始猜测或随机噪声），使得其输出与目标模型给出的输出尽可能一致，从而间接推测出来原始训练数据的一种攻击方法。

4.实践方法和流程本实践内容“基于梯度下降的模型逆向攻击”实现流程如下：确定目标输出初始化输入计算损失求梯度更新输入迭代优化

5.实践内容使用基于梯度下降的模型逆向攻击，重建目标MLP模型的人脸训练图像。数据集：本地pgm图像数据集，一共有40个类别，每个类别下有十张图片，每个类别对应一个人的各种人脸隐私信息。这些内容都在本书提供的网站上下载。

6.实践环境? Python版本：3.10.0或以上版本? 深度学习框架：Pytorch1.7.0? 运行平台：PyCharm? 其他库版本：nu