可信机器学习

可信机器学习是机器学 习的重要部分，是一门研究 机器学习可信属性的学科。 本书将可信机器学习的属性 贯穿始终，全面系统地介绍 可信机器学习的概念原则和 技术方法。本书内容分六部 分。第一部分详细阐述可信 机器学习的框架、机器学习 生命周期以及安全性相关概 念；第二部分针对机器学习 中的数据介绍数据偏差、数 据隐私等相关概念和解决方 法；第三部分围绕建模过程 介绍检测理论、监督学习和 因果建模的理论及方法；第 四部分针对机器学习的可靠 性，讲解分布偏移的概念和 缓解方法，以及机器学习公 平性和安全性方法；第五部 分围绕人与机器的交互，阐 述机器学习的可解释性、透 明性和价值对齐；第六部分 针对机器学习的目标，介绍 伦理原则、社会公益以及过 滤气泡等问题。

第一部分 第1章 建立信任 1.1 定义信任 1.1.1 可信与值得信任 1.1.2 可信性属性 1.1.3 将可信属性映射到机器学习 1.2 本书组织结构 1.3 限制 1.4 立场声明 1.4.1 胜任力和信誉 1.4.2 可靠性和偏见 1.4.3 互动 1.4.4 动机和价值观 1.5 总结 第2章 机器学习生命周期 2.1 机器学习生命周期的心智模型 2.2 问题描述 2.3 数据理解 2.4 数据准备 2.5 建模 2.6 评估 2.7 部署和监测 2.8 总结 第3章 安全性 3.1 理解安全性 3.2 用不同类型的不确定性量化安全性 3.2.1 样本空间、结果、事件和成本 3.2.2 偶然不确定性和概率 3.2.3 认知不确定性和可能性 3.3 不确定性的概括统计量 3.3.1 期望值和方差 3.3.2 信息与熵 3.3.3 K-L散度和交叉熵 3.3.4 互信息 3.4 条件概率 3.5 独立性和贝叶斯网络 3.5.1 统计独立性 3.5.2 贝叶斯网络 3.5.3 结论 3.6 总结 第二部分 第4章 数据来源与偏差 4.1 数据模态 4.2 数据来源 4.2.1 有目的收集的数据 4.2.2 行政数据 4.2.3 社交数据 4.2.4 众包 4.2.5 数据增强 4.2.6 结论 4.3 偏差类型 4.3.1 社会偏差 4.3.2 代表性偏差 4.3.3 时间偏差 4.3.4 数据准备偏差 4.3.5 数据投毒 4.3.6 结论 4.4 总结 第5章 隐私和知情同意 5.1 知情同意、权利和隐私 5.2 实现隐私保护的数据匿名化 5.2.1 数据发布和句法匿名化 5.2.2 数据挖掘和差分隐私 5.2.3 结论 5.3 其他隐私保护方法 5.4 总结 …… 第三部分 第四部分 第五部分 第六部分