近年来, 随着学术界与工业界在机器学习和人工智能领域越来越多的投入和关注, 相关技术获得飞速发展, 机器学习已经被应用到社会生活的方方面面, 并产生巨大社会价值. 机器学习模型主要依赖大量高质量数据的封闭训练, 随着机器学习模型付诸于开放场景, 例如, 数据分布的变化、数据特征的变化、数据标记的偏差、任务目标的变化、恶意样本的攻击、设备能力的受限等, 其往往面临模型失效、性能不佳等风险隐患. 基于此, 研究人员亟需探索开放场景下的鲁棒机器学习模型. 具体而言, 包括分布变化的机器学习、弱监督学习、模型复用、表示学习、强化学习、对抗学习、迁移学习以及更多实际领域问题中的应用等. 为此, 我们组织了面向开放场景的的鲁棒机器学习专刊. 通过两轮征稿共收到投稿53篇. 特约编辑先后邀请了60余位国内机器学习领域的知名专家参与审稿工作, 每篇投稿至少由2位专家进行评审. 最终有23篇论文被本专刊录用. 录用论文涉及开放域机器学习、任务关系利用与优化、新型特征表示与聚类、面向特定领域的机器学习模型等, 一定程度上反映了我国在该专题下的研究水平. 根据主题, 本专刊论文大致可分为4组.