Yada Pruksachatkun, Matthew McAteer, Subhabrata Majumdar 著

马卫东 译

出版时间：2026年09月（预计）

页数：303（预计）

“这是一本卓越的实践指南，通过代码示例系统阐述如何构建更公平、隐私安全、可解释且具备健壮性的人工智能系统。尤为难得的是，本书内容始终与基础模型领域呈现爆发式增长的技术演进保持同步。”
——Kush Varshney
IBM研究院杰出科学家，可信人工智能基础研究部

随着人工智能在医疗、法律与国防等高风险领域的深度应用，各机构正投入大量资源确保机器学习模型的可信性。现有专业著作多聚焦理论概念的深度剖析，而本指南则为开发团队提供实用起点，助力构建兼具安全性、更具健壮性、低偏见性与更多可解释性的模型系统。
作者Yada Pruksachatkun、Matthew McAteer与Subhabrata（Subho）Majumdar将学术界关于数据集构建与模型优化的最佳实践，转化为工业级可信机器学习系统的工程化蓝图。通过本书，工程师与数据科学家将掌握在充满噪声、复杂且常具对抗性的现实环境中部署可信机器学习应用所必需的核心能力。
通过本书，您将掌握：
● 向利益相关方清晰阐释模型输出原理；
● 识别并修复机器学习流程中的公平性缺陷与隐私泄露风险；
● 开发抵御恶意攻击的安全健壮型机器学习系统；
● 关键实践，包括信任债务（trust debt）管控策略，以及需人工介入的机器学习瓶颈识别；
● 精准定位驱动模型输出的关键特征因子。