学术报告

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学习模型公平性修复方法，实现了在保证准确性同时高效高质量修复公平性。

二进制文件复合类型恢复技术在程序理解、逆向分析和漏洞检测等领域具有关键价值，能够显著提升类型信息还原与代码语义解析的准确性与效率。该技术通过推断和重建结构体、数组等复杂数据类型，有助于提升程序可读性与可维护性，并为后续的漏洞修复、功能扩展和安全加固提供坚实基础。本次报告将介绍复合类型恢复的基本概念、研究背景与意义，重点探讨其实现方法、典型应用及未来发展方向。

研究大模型隐私泄露攻击，揭示了大模型面临的隐私信息泄露风险。本次学术报告介绍了大模型的应用价值和市场体量，讲述了关于大模型隐私泄露攻击的最新方法，指明了现有的缺陷和未来发展方向。

本报告围绕“数据集不平衡程度评估”展开，聚焦于如何科学量化多类数据中的结构性不平衡问题，突破传统以样本比例为核心的评估局限。报告系统回顾了不平衡评估的发展脉络，分析了现有方法在面对类别重叠、边界复杂等结构特征时的适应能力，并重点介绍了一种基于最小生成树的新型度量方法——MFII，能够联合考虑簇分布与类别混杂程度。通过在多种真实与合成数据集上的实证分析，验证了…

本报告围绕“源代码安全补丁存在性测试”展开，聚焦于如何自动识别开源软件中的安全补丁，解决安全补丁与普通补丁混杂、厂商静默发布、攻击窗口缩短等问题，介绍了一种结构感知的检测方法——RepoSPD，结合仓库级语义依赖构建跨文件上下文图，融合图与序列分支双重表示，采用渐进式学习策略以提升检测准确率。报告最后，对当前研究的局限性和未来方向进行了展望。

第三方库检测技术是一个自动识别应用程序或二进制程序中，所包含的第三方库的技术。对二进制文件或APP进行分析，主要用于安全性评估、软件合规性检查以及漏洞管理。通过本次学术报告对第三方库检测技术的学习，希望大家可以掌握其基本概念、理解其的重要性、掌握其技术原理，并深入了解其在各领域的应用和未来发展趋势。

本次报告围绕动态图神经网络的最新研究进展展开，重点探讨其在处理时序图数据中的关键技术与应用。报告首先介绍了动态图的结构特性与建模挑战，随后系统分析了主流动态图神经网络架构的设计思想，结合具体算法讨论了动态图神经网络在节点分类、链接预测等任务中的优势。最后，对当前研究的局限性（如计算效率、长程依赖建模）和未来方向进行了展望。

随着软件程序日益复杂化、功能多样化，传统的通用模糊测试已经不能满足高效、快速的测试程序中特定高风险区域的崩溃问题。灰盒定向模糊测试应用其特殊的距离计算方法及种子排序方法，将模糊测试定向的引导到指定区域，高效搜索漏洞。本次学术报告重点针对SELECTFUZZ、DeepGo两篇算法，详细分析其原理及优势，为灰盒定向模糊测试研究提供参考。