报告时间：2023年5月28日 星期日 上午10：00—11：30
报告地点：电航楼218
报告摘要：
图学习最近被广泛关注，且在图相关任务（如图分类、点分类、链接分析等）取得最佳效果。然而，近来研究表明当前图学习方法对安全和隐私攻击非常脆弱。本报告将首先介绍针对图结构安全攻击的（第一个）具有理论保证的防御方法。该方法基于当前最为流行的随机平滑技术，且获得最紧致的理论防御效果。其次，将介绍报告人提出的（第一个）隐私保护图表征学习框架。该框架同时涉及主任务以及隐私保护任务。报告人团队用互信息形式化两任务，推导出易处理的变分界，继而通过参数化神经网络获取变分界。
报告人简介：
王炳辉，现任伊利诺伊理工大学计算机科学系助理教授，芝加哥数据研究中心IDEAL成员。他于2012年和2015年分别获得大连理工大学本科和硕士学位，于2019年获得爱荷华州立大学博士学位。2019-2021年杜克大学博士后。研究方向为：可信赖机器学习及基于数据驱动的安全隐私。博士后师从陈怡然(IEEE/ACM Fellow)，博士导师Neil Zhenqiang Gong（北美计算机华人学者协会学术新星奖）。王博士在顶级安全会议（如IEEE S&P, CCS, NDSS）和期刊（如IEEE TIFS, IEEE TNNLS），以及人工智能/计算机视觉/数据挖掘会议（如NeurIPS, ICLR, ECCV, CVPR, KDD, WWW, INFOCOM等）发表论文30余篇。他获得2022年度百度学术AI+X全球Top50华人青年学者称号, 2022年度美国自然科学金NSF CRII Award，2022年度思科（Cisco）研究奖, 2021年度亚马逊(Amazon)研究奖等。同时，他的科研成果获得多篇最佳论文（提名）奖，如2020 DeepMind Best Abstract Award, 2019 NDSS Distinguished Paper Award Honorable Mention, and 2017 INFOCOM best paper finalist。
信息科学技术学院
2023年5月25日
