学术报告

  • 图嵌入-GraphSAGE

    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,直推式学习需要重新训练,很难落地在需要快速生成未知节点embedding的机器学习系统上,本次报告介绍了一种归纳学习图嵌入—GraphSAGE(Graph SAmple and agg…

    2020 年 7 月 6 日 93 0
  • 基于图神经网络的中文短文本匹配方法

    本次报告介绍一种基于图神经网络的中文短文本匹配模型,采用图结构的多粒度输入解决中文文本分词错误、不一致、歧义等问题造成的匹配性能下降问题。同时,报告介绍了文本匹配的研究现状,帮助大家了解文本匹配的概念和各种框架的使用场景。本次报告也希望对图神经网络在文本数据的应用上带来启发。

    2020 年 6 月 27 日 128 0
  • 贝叶斯网络

    贝叶斯网络又称信度网络,是Bayes方法的扩展,是目前不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后,已经成为近几年来研究的热点.。

    2020 年 6 月 21 日 77 0
  • 联邦学习

    联邦学习(Federated Learning)在2016年由谷歌最先提出,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习,解决数据孤岛的问题。

    2020 年 6 月 7 日 130 0
  • DQN深度强化学习算法

    本次学术报告主要给大家详细的介绍DQN算法原理及其调参细节,并且进行举例说明和总结以加深大家的理解。

    2020 年 5 月 31 日 183 0
  • 面向恶意软件检测系统的对抗样本攻击

    当下投入使用的恶意软件检测系统日益增多,但同时还带来了大量的安全问题,如何有效地提高恶意软件检测系统的鲁棒性变成当下重要的课题。在这里,从攻击者的角度入手,面向恶意软件检测系统,着眼研究对抗样本攻击的经典模型和算法,探究其同面向图像领域进行攻击的区别,最后了解对抗样本攻击日后的发展方向和研究领域。

    2020 年 5 月 24 日 253 0
  • 差分隐私原理及应用

    大数据时代隐私泄露成为了一个严重的问题,大量的个人信息在网上传播。另一方面大数据时代对数据的可用性也有一定的要求。因此当前如何在保障用户的隐私的同时,提供一定的可用性成为一个关键问题。学术报告介绍了差分隐私的基本原理及变体,并详细的介绍了差分隐私在地理位置脱敏上的应用:Geo-Indistinguishability。

    2020 年 5 月 17 日 161 0
  • 爬虫中的攻与防

    爬虫技术是获取数据的利器,它避免了繁琐又低效的人工数据搜集。爬虫带来获取数据极大便利的同时,也催生了反爬技术的发展。学术报告以反爬措施以及对抗反爬的手段作为议题,详细介绍了5类反爬的具体流程,并对其优劣做出了总结。反爬措施与对抗反爬手段是大数据时代带来的技术发展,也是攻与防在数据获取层面对抗的缩影。

    2020 年 5 月 10 日 176 0