可解释性对于建立用户与决策模型之间的信任关系至关重要，提高机器学习模型的可解释性和透明性是机器学习在现实任务中进一步发展和应用的关键。本次报告带大家了解机器学习常用的可解释方法的基本原理和应用（规则提取、LIME和SHAP）。
机器学习常用的可解释方法-慕星星原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2020/10/25/%e6%9c%ba%e5%99%a8%e5%ad%a6%e4%b9%a0%e5%b8%b8%e7%94%a8%e7%9a%84%e5%8f%af%e8%a7%a3%e9%87%8a%e6%96%b9%e6%b3%95/
深度学习模型具有强大的特征提取能力，在决策领域得到广泛应用，但往往产生不公平的预测结果，造成不良的社会影响，现有的公平性修复方法往往会导致准确率下降。本次学术报告介绍了一种新的深度…
本报告介绍了深度神经网络模型窃取检测的三种方法，从算法思想，实验结果，算法分析三个角度对已有算法进行贯穿式总结，阐述了模型窃取检测领域的难点，提升对模型安全领域问题的认识
现在大多数方法都是直推式学习， 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点embedding，但是大多情况图是会演化的，当网络结构改变以及新节点的出现，直推…
生成式对抗网络（GAN, Generative Adversarial Networks ）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。本次学术报告将回顾关…
假设检验是数理统计学中根据一定假设条件由样本推断总体的一种方法，其基本思想是应用小概率原理。在假设检验中常见的P值是进行检验决策的依据之一，反映某一事件发生的可能性大小。比较常…
本次报告讲述漏洞检测相关基本概念，源码级漏洞检测的一般步骤，主要从关键点选取、代码切片、代码表示等几个方面讲解源码漏洞检测方法，主要针对泛化性、多类型漏洞检测问题进行研究。
本次报告介绍了Python中数据读取和处理的优化方法，对比了csv、pkl、feather、json等数据存储格式的读写速度与空间占用，分析了各数据格式的具体应用场景，同时引入混合…
面对渴求大量数据的深度学习，数据扩增方法可以缓和一部分需求，但数据扩增方法往往只应用在有监督学习设定中，带来…
归一化流（Normalizing Flows）是一类生成模型，它利用一系列可逆变换将简单分布映射为复杂数据分布，具有精确计算概率密度的能力。在表格数据生成领域，归一化流的应用对于理…
