Talk预告|22岁杜克在读博士杨幻睿NeurIPS'20 Oral工作:提升深度学习鲁棒性的新方法

2020-12-02 12:07 作者:TechBeat人工智能社区 0人读过 | 我要投稿

本周为将门-TechBeat技术社区第261期线上Talk，也是NeurIPS 2020系列Talk第①弹！

北京时间12月3日(周四)晚8点，杜克大学在读博士生—杨幻睿的Talk将准时在将门TechBeat技术社区开播！

他与大家分享的主题是: “DVERGE：通过“缺陷”多样化构建鲁棒集成深度学习模型”。届时将分享其团队在NeurIPS 2020的Oral工作，介绍他们提出的利用集成模型提升深度学习鲁棒性的DVERGE方法。

▶ 「NeurIPS 2020群星闪耀云际会·机构专场」火热报名中，复制https://mp.weixin.qq.com/s/f1-0JfB0zNgS-TKzjT53IA至浏览器马上报名~

点击查看精彩预告视频
👇

Talk·信息

▼

主题：DVERGE：通过“缺陷”多样化

构建鲁棒集成深度学习模型

嘉宾：杜克大学在读博士生杨幻睿

时间：北京时间 12月3日 (周四) 20:00

地点：将门TechBeat技术社区

http://www.techbeat.net/

长按识别二维码，一键完成预约！

Talk·提纲

▼

最新研究表明，用于图像识别任务的卷积神经网络往往表现出一致的“对抗性缺陷”：对抗攻击算法可以生成很小的输入噪声误导这些模型，并且同一对抗噪声往往可以同时误导在同一数据集上训练出的不同模型，即在模型间“迁移”。本文提出利用集成模型提升深度学习鲁棒性的DVERGE方法。我们通过提取集合模型的子模型学到的“非鲁棒特征”确定其缺陷所在，并进一步通过多样化子模型的缺陷使其面对对抗性噪声输出不同的结果。这一新颖的多样性描述与优化方式使DVERGE得到了超出其他集成学习方法的迁移攻击鲁棒性。

本次分享的主要内容如下：1. 对抗性攻击与对抗性训练

2. 鲁棒特征与非鲁棒特征

3. DVERGE训练算法

4. 实验结果

Talk·参考资料

▼

这是本次分享中将会提及的资料，建议提前预习哦！代码链接：

https://arxiv.org/abs/2009.14720

https://github.com/zjysteven/DVERGE

https://arxiv.org/abs/1905.02175

Talk·提问交流

▼

方式 ①

在本文留言区直接提出你的问题，或扫描下方二维码提问！问题被选中的小伙伴们将获得一个红包奖励！

方式 ②

在Talk界面下的【交流区】参与互动！留下你的打call🤟和问题🙋，和更多小伙伴们共同讨论，说不定就被讲者直接翻牌解答了呢！

你的每一次贡献，我们都会给予你相应的i豆积分，近期还会有惊喜奖励哦！

Talk·嘉宾介绍

▼

杨幻睿，本科毕业于清华大学电子工程系，目前是美国杜克大学电子与计算机工程系博士四年级在读学生，师从李海老师和陈怡然老师。杨幻睿的主要研究方向为利用稀疏、量化等方式压缩神经网络模型提升运行效率，以及评估并增强深度学习模型的鲁棒性，以期得到即高效又鲁棒的适用于部署在现实世界中的深度学习模型。

在主要研究方向之外，杨幻睿也参与了组内关于分布式学习、隐私保护、深度学习加速器体系结构设计等工作。其参与的TIPRDC隐私保护框架被选为KDD2020 best student paper，一作撰写的论文DVERGE入选NeurIPS 2020 Oral presentation。