关于美国田纳西大学戚海蓉教授和武汉大学王志波教授学术报告的通知

发布时间:2019-07-05作者:浏览次数:230

报告题目:无监督深度学习及物理属性的融合

报告人:戚海蓉教授

   间:201979日(周二)下午15:00 – 16:00

    点:工科E1325

报告简介:深度学习模型已取得了巨大成功,但其往往需要大量的训练数据,而这些数据可能并不易获得。本次报告探讨了无监督学习及其在高光谱图像超分辨率中的应用。在该应用中,我们研究了以一种自然的方式将物理约束结合到网络设计的方法,使得来自网络的表示/输出可以遵循特定的分布并满足某些重要的物理约束。

报告人简介:戚海蓉,美国田纳西大学电气工程与计算机科学系教授,IEEE Fellow,冈萨雷斯冠名教授。1992年和1995年分别获北京交通大学计算机系学士和硕士学位;1999年获北卡罗莱纳州立大学计算机工程系获博士学位。研究领域包括图像处理、协同信息处理、超光谱图像分析、计算机视觉和机器学习。获得了多项美国NSFDARPAIARPA,和NASA等项目资助。戚海蓉教授已在高水平期刊和推荐会议上发表论文200余篇,出版了2本关于机器视觉的书籍。文章谷歌学术引用次数8000余次,h-index42。担任本领域国际期刊IEEE Transactions on Image Processing (TIP)编委。曾获NSF CAREER Award,荣获ICPR 2006ICDCS 2009WHISPERS 2015最佳论文奖,2012年获IEEE地球科学和遥感协会最有影响力论文奖。

 

报告题目:面向联邦学习的用户级隐私攻击

报告人:王志波教授

   间:201979日(周二)下午16:00 – 17:00

    点:工科E1325

报告简介:联邦学习是一种分布式机器学习框架,近年来在隐私安全与机器学习领域受到广泛关注和研究。相比于传统的集中式学习框架,联邦学习将模型的训练过程转移到了用户端,仅需要用户周期性地提交模型参数更新就能完成模型训练,避免了服务端对用户数据的恶意访问和滥用。本次报告研究了联邦学习中的隐私问题,提出了一个基于恶意服务端的用户隐私数据重建攻击方法,通过建立一个多任务生成对抗网络模型来模拟用户的数据分布,并利用用户参数更新来计算其数据表征以重建特定用户隐私数据。相比已有的攻击方法只能重建表征某个类别的样本数据,我们的攻击方法可以实现用户级的数据重建,并通过手写数字分类和人脸识别两个任务验证了攻击有效性,阐明了模型参数更新中包含了过多的隐私信息,现有联邦学习框架仍存在安全隐患。

报告人简介:王志波,博士,武汉大学国家网络安全学院教授,入选湖北省楚天学者、武汉大学珞珈青年学者,以及荣获了ACM武汉学术新星奖。2007年毕业于浙江大学信息学院自动化专业,获学士学位;2014年毕业于美国田纳西大学,获计算机工程博士学位。研究方向包括物联网、移动感知与计算、网络安全与隐私保护、人工智能安全。在网络与安全领域著名期刊和会议上发表论文70余篇,其中CCF A类长文16篇,发表在TMCTDSCTPDSACM CCSIEEE INFOCOM等顶级期刊和会议上,5篇论文入选ESI高被引论文。主持与参与多项国家级省部级项目,受邀担任IEEE ACCESSKSII Transactions on Internet and Information Systems的期刊编委,IEEE INFOCOMIEEE IPCCCGlobecomICC等多个国际会议的大会程序委员。现为IEEE高级会员、ACM会员及CCF会员,CCF物联网专委会委员,CCF网络与数据通信专委会委员,中国通信学会云计算与大数据应用委员会委员。