ML 在安全性方面存在漏洞，提出威胁模型并对攻击进行分类，探究了模型准确性与抗敌对操作的关系。

Nov, 2016

该研究讨论了机器学习算法的威胁模型，提出了三个解决方案：验证和准入控制、可靠的攻击记录机制和安全与隐私的形式化框架，通过这些方案来设计出较好的机器学习系统。

Nov, 2018

对机器学习中存在的各种安全威胁、威胁模型及相关挑战进行了简要概述，利用 LeNet 和 VGGNet 对 MNIST 和 GTSRB 等基准进行了安全威胁演示，提出并解决了部分误差影响并较小的攻击方式，并阐述了开发安全措施的相关技术。

Nov, 2018

通过提出四个安全性问题：鲁棒性、监控风险、降低内在模型风险和降低系统风险，本篇研究为机器学习的安全性提供了新的技术路线和解决方案。

Sep, 2021

介绍机器学习和深度学习技术在医疗保健的应用及相应的安全和隐私挑战，并提出了相关方法以确保医疗保健应用中的安全和隐私保护。

Jan, 2020

本研究通过分析 89 个真实的机器学习攻击情景，研究机器学习中的威胁特性、识别通用基本应对策略，最终总结出其中的最有针对性的漏洞、攻击手段及其防御方式，以共同为机器学习安全保驾护航。

Jun, 2022

本文提出了一种人工智能安全分类法，系统化地分类机器学习系统的威胁、漏洞和安全控制。首先分类了针对 ML 系统的攻击，定义了特定于 ML 的安全性并讨论其特点。然后，明确了所有相关资产和利益相关者，并为 ML 特定威胁提供了一般分类法。最后，通过对最近文献的广泛审查，收集了对 ML 特定威胁的各种安全控制措施，并将 ML 系统的漏洞和控制措施按照其整个生命周期中容易受到攻击的资源进行分类。

Jan, 2023

对机器学习中隐私攻击的分类及防御方法进行了研究和探讨。

Jul, 2020

该研究综述了基于图挖掘的网络安全领域，包括网络安全任务的概述、典型的图挖掘技术、应用于网络安全的一般过程以及不同网络安全任务的各种解决方案。同时，这篇综述还收集了基于图的网络安全开放数据集和工具包，并对未来的研究进行了展望。

Apr, 2023

在图机器学习中，数据的收集、共享和分析往往涉及多个参与方，每个参与方可能需要不同级别的数据安全和隐私保护。为此，在保护敏感信息方面，保持隐私非常重要。在大数据时代，数据实体之间的关系变得前所未有的复杂，越来越多的应用程序利用了支持网络结构和相关属性信息的先进数据结构（即图）。迄今为止，许多基于图的人工智能通过生成隐私保护图数据的方法和传输隐私保护信息（例如图模型参数）的方法来实现基于优化的计算，当在多个参与方之间共享数据是有风险或不可能时。除了讨论相关的理论方法和软件工具外，我们还讨论了当前的挑战，并突出了隐私保护图机器学习的若干未来研究机会。最后，我们构想了一个统一而综合的安全图机器学习系统。

Jul, 2023