具有大量参数的深度神经网络是非常强大的机器学习系统。然而，在这样复杂的网络中，过拟合的问题难以解决。复杂的网络结构和缓慢的运行速度导致我们很难在测试时通过组合许多不同大型神经网络的预测来处理过度拟合。本报告重点讲述了一种深度网络的正则化思想——Dropout方法的原理，并介绍了Dropout思想下相关算法的发展与应用。
Dropout随机失活-万韵伟原创文章，作者：bfs，如若转载，请注明出处：https://www.isclab.org.cn/2022/01/21/dropout%e9%9a%8f%e6%9c%ba%e5%a4%b1%e6%b4%bb/
反序列化漏洞是指在服务端过滤不严格的情况下，攻击者通过构造恶意序列化结果，使服务端在反序列化过程中执行恶意代…
本次报告对联邦学习及其后门攻击方法展开介绍，阐述了联邦学习的发展脉络和三大主要框架，介绍了联邦学习安全性问题及后门攻击分类方法，重点讲解经典的集中式/分布式联邦后门攻击方法，启发思…
特征选择是指为了构建模型而选择相关特征子集的过程，目的是去除特征中的无关特征和冗余特征，进而达到简化模型，增…
本次报告围绕大模型赋能的渗透测试技术展开，首先阐述了渗透测试的基本概念、研究背景和研究意义，然后介绍了传统自动化渗透测试方法的特点与优劣势，并介绍了大模型赋能的渗透测试方法的研究现…
本次报告介绍了用户画像建模的相关基本概念，以及用于短文本处理的用户画像构建LDA-RCC组合模型。基本概念包过用户画像的作用、构建过程、分类等。LDA-RCC组合模型解决了传统文本…
本报告阐述了大模型在内核模糊测试中的应用，介绍了 KernelGPT 和 ECG 两种技术。KernelGPT 自动推断系统调用规范，显著提升漏洞发现效率；ECG 结合静态分析与大…
多视图聚类技术旨在利用不同视图之间信息的互补性和一致性增强模型的鲁棒性，提高聚类准确率。本次报告首先讲述多视图聚类的基本概念，然后结合两篇算法对完全多视图聚类和不完全多视图聚类方法…
在机器学习（ML）和人工智能（AI）时代，保护隐私的数据分析至关重要，在这个时代，一个可用性强的数据集可以提供比优化算法更高的收益。然而现有机制无法提供足够的隐私保障阻碍了自然语言…
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…
联邦大模型将联邦学习与大语言模型相结合，遵循“数据不动、模型动”的原则，在无需集中原始数据的前提下，共同训练与优化大模型。该技术能有效破解数据孤岛，为医疗、教育等领域提供隐私安全的…
