陈鸿龙教授团队研究成果被机器学习顶会ICML与计算机网络顶刊IEEE TMC录用

       我院陈鸿龙教授团队在智能物联网领域取得新进展，相关研究工作分别被机器学习领域顶级会议ICML与计算机网络领域顶级期刊IEEE TMC录用。

进展一：针对人工智能模型中日益强大的后门攻击，提出基于能量模型的后门防御方法，可以在低成本的情况下同时实现实现后门模型的检测和后门的移除，无需模型重训练。相关研究论文 《Energy-based Backdoor Defense without Task-Specific Samples and Model Retraining》被第41届机器学习领域顶级会议ICML 2024录用（高宇栋，陈鸿龙，孙鹏，李哲，李隽键，邵华杰）。该工作得到山东省优青项目、山东省泰山学者青年专家项目、国家自然科学基金面上项目等项目的资助。我院硕士研究生高宇栋为第一作者，我校陈鸿龙教授与美国威廉玛丽学院邵华杰教授为共同通讯作者，中国石油大学（华东）为第一署名单位。

ICML (International Conference on Machine Learning)，即国际机器学习大会,是机器学习领域的三大国际顶级学术会议之一，也是中国计算机学会（CCF）推荐的A类会议。ICML的学术影响力非常广泛，以研究机器学习理论著称，每年聚集了来自学术界和工业界的研究人员，共同讨论和展示机器学习领域的最新研究成果和技术进展。

图 1. 基于能量的后门防御示意图

该工作针对现有后门攻击防御很少同时关注后门检测与后门移除的问题，提出了两种能量驱动的后门防御方法(Energy-based Backdoor Defense) , EBBA和EBBA+，可以在低成本的情况下实现后门模型的检测和后门的移除。主要有两个方面的贡献：首先，证明了预定义的目标标签更有可能出现在各种样本的前几个结果中, 并依此开发了一种增强的基于能量的技术，称为EBBA，以在没有特定任务样本的情况下检测后门模型。其次，在理论上证明了数据损坏后，受污染样本的原始干净标签更有可能被模型预测为最可能输出。因此，提出EBBA+，一种新的转移能量方法，可以高效地检测污染图像并在不进行模型重新训练的情况下移除后门。所提出的方法可迁移至语音与文本领域。

进展二：针对无线可充电传感器网络中多移动充电器按需充电调度的最大化目标覆盖率问题，提出了基于请求匹配机制和基于请求分组机制的多移动充电器协同调度方法。相关研究论文《Towards Maximizing Coverage of Targets for WRSNs by Multiple Chargers Scheduling》被CCF A类、计算机网络领域顶级期刊IEEE Transactions on Mobile Computing (TMC)录用（薛焕昇，陈鸿龙，倪志琛，刘小龙，夏锋）。该工作得到山东省优青项目、山东省泰山学者青年专家项目、国家自然科学基金面上项目等项目的资助。我院博士研究生薛焕昇为第一作者，陈鸿龙教授为通讯作者，中国石油大学（华东）为第一署名单位。

图 2. 《Towards Maximizing Coverage of Targets for WRSNs by Multiple Chargers Scheduling》论文首页图

图 3. 基于请求分组机制的多移动充电器协同调度示意图

该工作针对无线可充电传感器网络（WRSNs）中多移动充电器按需充电调度的最大化目标覆盖率问题，首先提出了基于请求匹配机制和基于请求分组机制的多移动充电器协同调度方法，MaxCov和MaxCov-RG，在保持高能量效率的同时，提高WRSNs对目标的平均覆盖率。其次，该工作在理论上证明了基于M/M/n排队模型的多移动充电器协同调度方法相对于基于M/M/1排队模型的方法的性能优越性。仿真数据与分析表明，所提出的方法在较低的计算复杂度下具备较好的性能，有效提高了WRSNs的目标覆盖率和能量效率。

陈鸿龙教授带领的团队主要从事人工智能安全、智能物联网、边缘计算与边缘智能等领域的研究，近年来在IEEE Transactions on Information Forensics & Security, IEEE Transactions on Mobile Computing，IEEE Transactions on Industrial Informatics，IEEE Transactions on Multimedia, IEEE Internet of Things Journal, IEEE Transactions on Wireless Communications等权威国际期刊和ICML, AAAI，IEEE INFOCOM, CVPR, IJCAI等权威国际会议上发表论文100余篇，成果显著。