Antagonistyczne uczenie maszynowe, przeciwstawne uczenie maszynowe (ang. adversarial machine learning) – obszar badań zajmujący się atakami na algorytmy uczenia maszynowego i przeciwdziałaniem tym atakom.
Do najczęstszych ataków antagonistycznych zalicza się atak uniku (ang. evasion attack), atak zatrucia danych (ang. data poisoning), atak bizantyjski i ekstrakcja modelu.
Historia W 2004 pokazano, że sam filtr antyspamowy oparty na uczeniu maszynowym można wykorzystać do ataku uniku na filtry antyspamowe przez automatyczne uczenie się słów, które należy dodać do wiadomości e-mail, aby wiadomość nie została sklasyfikowana jako spam. mały|Przykład nałożenia spreparowanego filtra służącego do oszukania klasyfikatora i zaklasyfikowania obrazu psa beagle jako strusia. Wraz z popularyzacją uczenia głębokiego w 2010. pojawiły się metody oszukiwania sieci, w szczególności ataki oparte na gradiencie.