近年来，企业，政府和个人数据的收集，处理和分析已经变得非常方便和普遍，作为网络 - 物理系统，社交网络，电子商务和5G系统等新兴应用的持续发展。这也使得敏感信息更容易受到滥用，因此需要迫切地探索为新兴应用程序量身定制的安全机制和技术。

机器学习（ML）最近获得了更新的兴趣，随着各种尺寸的组织变得更广泛的可用和可访问的技术供电。使用机器学习的应用正在部署在上下文中，并且几年前甚至没有想象的目的。从网络安全，隐私和公共安全角度来看，ML带来了新兴应用的机会和挑战。一方面，ML可以帮助有关各方在充满挑战的情况下更好地保护隐私，从而改善最先进的安全解决方案。另一方面，ML还呈现不透明决策，偏见算法和安全漏洞的风险，挑战传统的隐私保护概念。

这一特别问题旨在为来自学术界和工业的人提供一个论坛，以传达他们最新成绩的理论进步和工业案例研究，这些研究将ML技术相结合，例如加强学习，对抗机器学习和深度学习，在网络安全中具有重要问题，隐私和公共安全。研究论文可以专注于ML对安全的冒犯和防御性应用。提交可以考虑原始研究，严重的数据集收集和基准测试或临界调查。审查文章也欢迎。

潜在主题包括但不限于以下内容：

• 安全机器学习建模和建筑
• 安全多方计算技术用于机器学习
• 攻击机器学习
• 机器学习威胁情报
• 用于网络安全的机器学习
• 用于入侵检测和反应的机器学习
• 用于多媒体数据安全的机器学习
• 用于公共安全的机器学习