计算机硕士课程

选课速读： COMP90073《计算机硕士课程》是 墨尔本大学 的公开课程页面。当前可确认的信息包括 12.5 学分，难度 超难，公开通过率 75%。 页面已整理 12 周教学安排，3 个重点考核，方便你快速判断工作量、考核结构和适配度。 课程简介摘要：课程定位 COMP90073（Trustworthy Machine Learning）是墨尔本大学在 2026 Handbook 中明确列。

### 课程定位 COMP90073（Trustworthy Machine Learning）是墨尔本大学在 2026 Handbook 中明确列出的高级机器学习课程，重点不在继续追求更高 benchmark，而在于回答另一个更现实的问题：当机器学习系统进入 critical and data-sensitive applications 后，如何让它在 confidentiality、reliability、robustness 和 fairness 上更值得信任。它和普通 ML 课最大的区别，是把“模型能不能工作”升级为“模型能不能安全、稳健、负责地工作”。 ### 学习内容 官方 indicative content 把课程主线拆得很清楚：先介绍 trustworthiness 的几个核心维度，包括 privacy、robustness、reliability 和 fairness；然后分析 deployed AI systems 在现实世界中出现的 failures 与 vulnerabilities；接着讨论 information leakage、不同 threat models 下的数据保护方法；再进入 anomaly detection、alarm correlation、intrusion detection 等提升可靠性的技术；最后延伸到 security analytics 的理论挑战与 emerging issues。也就是说，这门课处在 ML、security 和 responsible AI 的交叉点。 ### 课程结构 2026 Handbook 显示这门课在 Semester 2 开设，teaching period 为 2026-07-27 到 2026-10-25，每周 2 次 1 小时 lecture 加 1 次 tutorial。公开 assessment 结构也非常清晰：Week 5 research/programming project 15%，Week 11 project 25%，以及期末 2 小时 written exam 60%；两次 project 合计要至少拿 20/40，考试也必须达到 50% 才能通过，因此它是典型的“项目 + hurdle exam”双重约束课程。 ### 适合人群 如果你未来想做 trustworthy AI、ML security、AI governance、privacy-preserving ML，或者对 adversarial robustness、data leakage、防御性建模有兴趣，这门课价值很高。它尤其适合已经学过基础机器学习、现在希望进入更真实部署语境的学生。

### 📊 课程难度与压力分析 COMP90073 的难度非常真实，因为它不是停留在概念讨论，而是把 trustworthy ML 变成项目和考试都要过的硬要求。前半学期 privacy、leakage 和攻击模型已经不轻，后半学期再叠加 reliability、security analytics 和两次有 hurdle 的 project，很容易让人产生“内容懂了但交付跟不上”的压力。尤其是期末 60% written exam 也有 hurdle，这意味着你不能只靠项目保分。 ### 🎯 高分关键 高分关键在于你能否把一个 trustworthiness 问题讲成完整链路：threat model 是什么、风险从哪里来、方法为什么有效、评估要看哪些指标、还有什么残余风险。只会跑模型不够，只会讲安全概念也不够。老师更看重的是你把研究思路、实验设计和可信性分析连接起来的能力。 ### 📚 学习建议 建议从第一周开始就维护一份 threat-model notebook，把每种攻击/泄露/防御方法都按“攻击者目标、可访问能力、防御思路、代价和局限”整理成卡片。到了 Project 1 和 Project 2，你会非常依赖这种结构化整理。复习期末考试时，也不要只背名词，而要反复练习在新场景下快速识别：这里更像 privacy 问题、robustness 问题，还是 reliability / fairness trade-off 问题。 ### ⚠️ 避坑点 这门课最容易踩的坑有三个：第一，把 trustworthy ML 理解成若干孤立技术点，没有统一 threat-model 视角；第二，项目里只展示结果，不解释为什么实验设计合理；第三，忽略 hurdle 规则，导致单项看起来不差但最终不能过线。稳定的做法是每次交付前都检查四件事：假设写清了吗、攻击面写清了吗、指标和结论对应吗、局限是否交代了。做到这一步，分数会稳很多。