亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

美國防部對抗性機器學習目標

1.對機器學習系統如何學習一項任務給出一個概述。 2.識別對手攻擊ML系統的三種方式。 3.識別防御者可能需要解決的九個問題，以防御一個ML系統。

本資料是基于國防部根據FA8702-15-D-0002號合同與卡內基梅隆大學合作的軟件工程研究所的運作而資助和支持的工作，這是一個聯邦資助的研究和開發中心。

【作者介紹】
 Pin-Yu Chen (陳品諭)：IBM Research AI，MIT-IBM Watson AI Lab研究員， RPI-IBM AIRC項目首席科學家。研究重點是對抗性機器學習和神經網絡的魯棒性，即可信賴機器學習。

【教程介紹】

對抗性機器學習 (AdvML) 是機器學習 (ML) 和人工智能 (AI) 中發展最快的研究領域之一。它研究最先進的機器學習模型（如神經網絡）的對抗魯棒性，從識別當前機器學習系統局限性的攻擊、增強模型對各種對抗性威脅的性能的防御到量化魯棒性水平的驗證工具用于不同的應用。

與專注于對抗性攻擊、防御或驗證方法的傳統對抗性機器學習 (AdvML) 教程不同，本教程旨在提供一個全新的概述，說明如何以完全不同的方式使用相同的技術來造福于主流機器學習任務并促進該研究領域的可持續發展。

除了 AdvML 的最新進展之外，本教程旨在提供有關“AdvML 的下一步是什么”的新方面，即永遠的對抗性機器學習。“永遠”一詞有雙重含義——新穎的創新和可持續性。

首先，本教程將介紹新興的和新穎的應用程序，這些應用程序利用 AdvML 的經驗來使主流 ML 任務受益，這與評估和提高對抗性魯棒性的最初目標不同。這些示例包括 (i) 生成對比解釋和反事實示例；(ii) 數據高效遷移學習的模型重新編程；(iii) 用于人工智能治理和所有權監管的模型水印和指紋識別；(iv) 隱藏數據以增強隱私。其次，隨著與對抗性魯棒性相關的提交數量呈爆炸式增長，本教程旨在從研究規范和倫理、當前趨勢、開放挑戰和未來等方面討論這一年輕研究領域在持續和有機增長方面的可持續性方向。目標受眾將是熟悉 AdvML 的 ML/AI 研究人員，以及有興趣進入該領域的研究人員。演講者還將分享他對工業實踐的看法。

【教程提綱】

• 當前趨勢:介紹對抗機器學習(攻擊、防御、驗證)的最新進展
• 受 AdvML 啟發的創新
  • 生成對比解釋和反事實示例（Dhurandhar et al. 2018; Luss et al.2021）
  • 用于數據高效遷移學習的模型重新編程（Tsai、Chen 和 Ho 2020；Yang、Tsai 和 Chen 2021； Vinod、Chen 和 Das 2020）
  • 用于 AI 治理和所有權監管的模型水印和指紋識別（Aramoon、Chen 和 Qu 2021；Wang 等人 2021）
  • 數據隱藏以增強隱私和數據安全性（Shan et al. 2020; Sablayrolles et al. 2020）
  • 用于改進模型泛化的數據增強 (Hsu et al. 2021)
  • 詞嵌入中的語義偏移檢測（Gruppi、Adali 和 Chen 2021）
  • 魯棒文本驗證碼 (Shao et al. 2021)
  • 分子優化 (Hoffman et al. 2022)
• AdvML研究的可持續性