【KDD2019|讲座推荐】零阶优化及其在数据挖掘和机器学习中对抗鲁棒性的应用研究进展：Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning

讲座题目

Recent Progress in Zeroth Order Optimization and Its Applications to Adversarial Robustness in Data Mining and Machine Learning

讲座简介

当梯度的显式表达式很难或不可能获得时，零阶（ZO）优化越来越被用来解决大数据和机器学习问题。它通过有效梯度估计近似全梯度实现无梯度优化。最近的一些重要应用包括：a）产生对深度神经网络的预测规避、黑箱对抗攻击；b）计算能力有限的在线网络管理；c）黑箱/复杂系统的参数推断；d）根据损失函数部分反馈的bandit优化她的对手所揭示的价值观。 本教程旨在全面介绍ZO优化方法在理论和应用方面的最新进展。在理论方面，我们将讨论ZO算法的收敛速度和迭代复杂性分析，并与它们的一阶对应进行比较。在应用方面，我们将重点介绍ZO优化在研究深层神经网络鲁棒性方面的一个很有吸引力的应用-从黑箱机器学习模型生成对抗性示例的实用有效的对抗性攻击。我们还将总结有关ZO优化、大数据挑战和一些开放式数据挖掘和机器学习问题的潜在研究方向。

讲座嘉宾

Pin-Yu Chen 是麻省理工学院-IBM人工智能实验室，IBM Thomas J.Watson研究中心，可信人工智能小组和PI的研究人员。最近的研究重点是对抗性机器学习和神经网络的鲁棒性，更广泛地说，使机器学习值得信赖。我的研究兴趣还包括图形学习、网络数据分析及其在数据挖掘、机器学习、信号处理和网络安全中的应用。