• <var id="cftvf"><button id="cftvf"></button></var>
    <object id="cftvf"><option id="cftvf"></option></object>
  • <i id="cftvf"></i>
  • <thead id="cftvf"><s id="cftvf"></s></thead><object id="cftvf"></object>
    <object id="cftvf"><option id="cftvf"></option></object>
  • <var id="cftvf"><ruby id="cftvf"></ruby></var>
    <i id="cftvf"></i>
    <blockquote id="cftvf"></blockquote>
  • 關于美國田納西大學戚海蓉教授和武漢大學王志波教授學術報告的通知

    發布時間:2019-07-05作者:瀏覽次數:230

    報告題目:無監督深度學習及物理屬性的融合

    報告人:戚海蓉教授

       間:201979日(周二)下午15:00 – 16:00

        點:工科E1325

    報告簡介:深度學習模型已取得了巨大成功,但其往往需要大量的訓練數據,而這些數據可能并不易獲得。本次報告探討了無監督學習及其在高光譜圖像超分辨率中的應用。在該應用中,我們研究了以一種自然的方式將物理約束結合到網絡設計的方法,使得來自網絡的表示/輸出可以遵循特定的分布并滿足某些重要的物理約束。

    報告人簡介:戚海蓉,美國田納西大學電氣工程與計算機科學系教授,IEEE Fellow,岡薩雷斯冠名教授。1992年和1995年分別獲北京交通大學計算機系學士和碩士學位;1999年獲北卡羅萊納州立大學計算機工程系獲博士學位。研究領域包括圖像處理、協同信息處理、超光譜圖像分析、計算機視覺和機器學習。獲得了多項美國NSF,DARPA,IARPA,和NASA等項目資助。戚海蓉教授已在高水平期刊和推薦會議上發表論文200余篇,出版了2本關于機器視覺的書籍。文章谷歌學術引用次數8000余次,h-index42。擔任本領域國際期刊IEEE Transactions on Image Processing (TIP)編委。曾獲NSF CAREER Award,榮獲ICPR 2006、ICDCS 2009、WHISPERS 2015最佳論文獎,2012年獲IEEE地球科學和遙感協會最有影響力論文獎。

     

    報告題目:面向聯邦學習的用戶級隱私攻擊

    報告人:王志波教授

       間:201979日(周二)下午16:00 – 17:00

        點:工科E1325

    報告簡介:聯邦學習是一種分布式機器學習框架,近年來在隱私安全與機器學習領域受到廣泛關注和研究。相比于傳統的集中式學習框架,聯邦學習將模型的訓練過程轉移到了用戶端,僅需要用戶周期性地提交模型參數更新就能完成模型訓練,避免了服務端對用戶數據的惡意訪問和濫用。本次報告研究了聯邦學習中的隱私問題,提出了一個基于惡意服務端的用戶隱私數據重建攻擊方法,通過建立一個多任務生成對抗網絡模型來模擬用戶的數據分布,并利用用戶參數更新來計算其數據表征以重建特定用戶隱私數據。相比已有的攻擊方法只能重建表征某個類別的樣本數據,我們的攻擊方法可以實現用戶級的數據重建,并通過手寫數字分類和人臉識別兩個任務驗證了攻擊有效性,闡明了模型參數更新中包含了過多的隱私信息,現有聯邦學習框架仍存在安全隱患。

    報告人簡介:王志波,博士,武漢大學國家網絡安全學院教授,入選湖北省楚天學者、武漢大學珞珈青年學者,以及榮獲了ACM武漢學術新星獎。2007年畢業于浙江大學信息學院自動化專業,獲學士學位;2014年畢業于美國田納西大學,獲計算機工程博士學位。研究方向包括物聯網、移動感知與計算、網絡安全與隱私保護、人工智能安全。在網絡與安全領域著名期刊和會議上發表論文70余篇,其中CCF A類長文16篇,發表在TMC、TDSC、TPDS、ACM CCS、IEEE INFOCOM等頂級期刊和會議上,5篇論文入選ESI高被引論文。主持與參與多項國家級省部級項目,受邀擔任IEEE ACCESS、KSII Transactions on Internet and Information Systems的期刊編委,IEEE INFOCOM、IEEE IPCCC、Globecom、ICC等多個國際會議的大會程序委員?,F為IEEE高級會員、ACM會員及CCF會員,CCF物聯網專委會委員,CCF網絡與數據通信專委會委員,中國通信學會云計算與大數據應用委員會委員。

     

     

    秒速赛车520计划网页