近年来，人工智能已经取得了长足的进步，但正如许多人工智能使用者所表明的那样，人工智能仍然容易出现一些人类并不会犯的惊人错误。虽然这些错误有时可能是人工智能进行学习时不可避免的后果，但越来越明显的是，一个比我们意想中严重得多的问题正带来越来越大的风险：对抗性数据。
对抗性数据描述了这样一种情况，人类用户故意向算法提供已损坏的信息，损坏的数据打乱了机器学习过程，从而欺骗算法得出虚假的结论或不正确的预测。
作为一名生物医学工程师，笔者认为对抗数据是一个值得关注的重要话题。最近，加州大学伯克利分校(UC Berkeley)教授唐恩·宋(Dawn Song)“欺骗”了一辆自动驾驶汽车，让它以为停车标志上的限速是每小时45英里。
这种性质的恶意攻击很容易导致致命的事故。同样地，受损的算法数据可能导致错误的生物医学研究，重则危及生命或影响医学事业的创新发展。
直到最近，人们才意识到对抗性数据的威胁，我们不能再忽视它了。
关键词：
