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/
深度神经网络在图像识别、语音处理以及机器翻译等领域具有良好的预测性能，但是由于深度神经网络对决策结果可解释性的缺乏以及解决训练开销而寻求的外包训练的安全难以有效保证，都导致深度神经…
本次报告围绕大模型赋能的自动化渗透测试技术展开，首先阐述了渗透测试的基本概念、研究背景和研究意义，然后介绍了大模型赋能的自动化渗透测试技术的研究现状和常见的agent框架。接着详细…
自步学习（Self-paced Learning）是一种先学习简单样本，后学习复杂样本的迭代算法。它具有很好的健壮性，主要被应用于图…
网络嵌入（Network Embedding）是针对网络中节点进行特征学习的一项新兴的研究任务，它旨在将网络中的节点表示成低维、实值、稠密的向量形式，使得得到的向量形式可以在向量空…
这次报告讲解了网络表示学习的基本概念，对LINE算法的原理进行了深入讲解，并对网络表示学习算法的应用场景做了…
许多真实世界的网络不是静态的而是处于不断进化的状态，随着网络的不断进化，一方面新节点需要被表示，另一方面，原始节点的嵌入表示就变得陈旧，需要被不断更新。本次学术报告首先介绍了动态网…
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…
对抗样本会的存在严重威胁到机器学习模型的输出准确性。目前最常用的对抗样本生成方法是FGSM，其通过在沿着损失…
传统的网络表示一般使用高维的稀疏向量，但是局限在于难以度量节点间的相似性，而一般的静态网络嵌入方法，忽略网络的动态演化过程，因此提出了基于动态网络的嵌入方法学习。本次将基于深度自编…
本次报告介绍了web项目开发方法，展示了在web开发过程中前后端分离与前后端不分离两种开发模式的基本流程以及优缺点，然后大致介绍了前端与后端各自常用的web框架，最后具体介绍了对外…
