bfs
-
基于神经网络的源代码表示方法
简介:神经网络算法在自然语言和计算机视觉等领域取得了快速发展和成熟应用,且在程序分析领域也具有广泛应用,如代码克隆检测、程序分类、漏洞分析和代码搜索等任务。然而不同的程序源代码表示方法会直接影响神经网络算法的学习性能。本次报告介绍了源代码表示的基本概念和常见方法,并列举了现有的4篇高水平论文的算法原理和基本思想,并进行了横向和纵向对比分析,最后对基于图神经网…
-
深度学习系统的自动化测试简介
深度学习(DL)在图像分类、语音识别等领域达到或超过了人类水平的性能,且被广泛应用于安全关键领域中(自动驾驶、恶意软件检测等)。然而一些原因(如训练数据偏差、模型过拟合或欠拟合),会导致深度学习系统在一些边角案例(corner cases)中表现出意料之外或错误的行为。所以在不输钱需要对深度学习系统进行全面系统的测试。本次报告介绍了深度神经网络(DNN)白盒…
-
图嵌入-GraphSAGE
现在大多数方法都是直推式学习, 不能直接泛化到未知节点。这些方法是在一个固定的图上直接学习每个节点embedding,但是大多情况图是会演化的,当网络结构改变以及新节点的出现,直推式学习需要重新训练,很难落地在需要快速生成未知节点embedding的机器学习系统上,本次报告介绍了一种归纳学习图嵌入—GraphSAGE(Graph SAmple and agg…
-
基于图神经网络的中文短文本匹配方法
本次报告介绍一种基于图神经网络的中文短文本匹配模型,采用图结构的多粒度输入解决中文文本分词错误、不一致、歧义等问题造成的匹配性能下降问题。同时,报告介绍了文本匹配的研究现状,帮助大家了解文本匹配的概念和各种框架的使用场景。本次报告也希望对图神经网络在文本数据的应用上带来启发。
-
贝叶斯网络
贝叶斯网络又称信度网络,是Bayes方法的扩展,是目前不确定知识表达和推理领域最有效的理论模型之一。从1988年由Pearl提出后,已经成为近几年来研究的热点.。
-
联邦学习
联邦学习(Federated Learning)在2016年由谷歌最先提出,其设计目标是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习,解决数据孤岛的问题。
-
DQN深度强化学习算法
本次学术报告主要给大家详细的介绍DQN算法原理及其调参细节,并且进行举例说明和总结以加深大家的理解。
-
面向恶意软件检测系统的对抗样本攻击
当下投入使用的恶意软件检测系统日益增多,但同时还带来了大量的安全问题,如何有效地提高恶意软件检测系统的鲁棒性变成当下重要的课题。在这里,从攻击者的角度入手,面向恶意软件检测系统,着眼研究对抗样本攻击的经典模型和算法,探究其同面向图像领域进行攻击的区别,最后了解对抗样本攻击日后的发展方向和研究领域。