LOGO LOGO
博士生曹楠、万伟的论文分别被人工智能国际顶会IJCAI 2022录用
时间:2022-04-25 09:02:04

近日,第31届国际人工智能联合会议(The 31th International Joint Conference on Artificial Intelligence,IJCAI 2022)录用结果揭晓,实验室的两篇论文均被录用为LONG oral presentation,分别是博士生曹楠(导师金海教授)的论文“Positive-Unlabeled Learning via Optimal Transport and Margin Distribution”和博士生万伟(导师胡胜山副研究员)的论文“Shielding Federated Learning: Robust Aggregation with Adaptive Client Selection”。

现实生活中,获取完整标记数据集的难度和成本越来越高,弱监督学习成为近年来机器学习领域的热点研究问题,其中正/未标记学习(Positive and Unlabeled Learning, PU Learning)是一类重要的弱监督机器学习框架,适用于多种实际应用问题的建模。传统PU Learning模型存在对“类别先验”估计不精确的问题,并且基于最大化间隔的PU Learning模型对未标记样本中分界面附近的点较为敏感。对此,曹楠博士在论文中提出采用局部最优传输(Partial Optimal Transport)方法,结合度量学习将未标记样本中可能的正类识别出来,进而更精准地估计“类别先验”。另一方面,采用最优间隔分布理论,优化样本到分界面的间隔分布,提升模型的健壮性和泛化性能。在多个数据集上的实验结果表明,此方法具有更精确的“类别先验”估计值,以及更好的分类精度。

联邦学习是一种支持隐私保护的分布式架构。然而,联邦学习极易遭受恶意参与者发起的拜占庭攻击。虽然这一问题已经引起广泛关注,但现有方案普遍存在用户选择不合理(即随机选择)以及无法有效防御数据异构场景下的拜占庭攻击等问题。为此,万伟博士在论文中将用户选择建模为扩展版的多臂老虎机问题,并提出了一种自适应的用户选择策略,挑选那些更可能提供高质量更新的用户参与每一轮迭代。同时,针对女巫场景和非女巫场景下的拜占庭攻击,分别提出了基于最大连通子图和基于特征提取的检测方案,能够有效识别并剔除恶意更新。实验结果表明,本方案在各种攻击场景以及攻击者比例下均能提供优于现有方案的防御效果。

IJCAI是人工智能领域的顶级国际会议,本届会议共收到投稿4535篇,录用率约为15%,其中LONG oral presentation约占被录用投稿的25%。


(通讯员:曹楠、万伟)