随着大数据时代的来临和计算机算力的不断提升，机器学习模型迅速发展，成为计算机视觉、自然语言处理以及恶意软件检测等领域的研究热点。然而最近的研究发现，机器学习模型面临着严峻的安全威胁。本次学术报告介绍了机器学习模型存在的安全性问题，并以模型窃取为例，介绍了模型窃取的发展历史与主要的窃取方法，重点讲解了在未知目标模型训练数据的情况下，如何通过知识蒸馏实现模型窃取。实验结果表明，基于知识蒸馏方法所得到的替代模型在效果上明显优于其他方法。
基于知识蒸馏的模型窃取方法-丁杨原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2021/11/15/%e5%9f%ba%e4%ba%8e%e7%9f%a5%e8%af%86%e8%92%b8%e9%a6%8f%e7%9a%84%e6%a8%a1%e5%9e%8b%e7%aa%83%e5%8f%96%e6%96%b9%e6%b3%95/
本报告介绍了深度学习后门攻击的基本概念、类型划分等背景知识，对一种基于模型权重修改和一种基于模型结构修改的后门攻击算法进行了具体说明，阐述了对于深度学习后门攻击领域现状的未来发展的…
ChatGPT问世以来，LLM百花齐放，对我们的生活产生了巨大的影响。然而LLM生成的内容存在信息泄露、无中生有等诸多隐患。通过强化学习技术我们可以将生成内容与人类偏好对齐，控制L…
随着多模态情绪识别应用不断发展，真实场景中的模态缺失问题对模型鲁棒性提出了挑战。本次学术报告聚焦缺失模态下的情绪变化识别，介绍了基于单模态专家融合与难度感知课程学习的代表性方法，为…
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。
图神经网络模型的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，为了安全、可信地部署图神经网络模型，需要提高图神经网络模型的可解释性和透明性。本次报告为大家介绍图神经网络反事…
高斯混合模型（Gaussian mixture model，GMM）用于对样本的概率密度分布进行估计，而估计…
在机器学习中获得标注数据是一个重要的部分。但是在一些专业领域，标注成本高,成本高，导致了获得标注数据困难。主…
胶囊(向量神经)网络是针对CNN的缺陷提出的一种新的方法，主要实现了两点改进：1.将CNN的输出结果由标量（scalar）替换成了向…
近年来，随着互联网技术的高速发展和数据规模的快速增长、大数据的应用，多标签分类应用场景越来越多，如电子商务中的商品分类、网页标签、新闻标注、蛋白质功能分类、音乐分类、语义场景分类等…
本次学术报告面向基于深度学习的二进制软件漏洞挖掘，首先定义二进制缺陷检测子任务的基本概念和TIPO，其后介绍模糊测试、符号执行等动态缺陷检测方法，最终具体讲解了三种基于深度学习的二…
