学术合作项目启动

某机构与弗吉尼亚理工大学今日宣布首批学术研究基金和教师研究奖项获得者名单，这是"高效鲁棒机器学习计划"的重要组成部分。该计划为从事人工智能和机器学习研究的博士生提供研究基金，并支持弗吉尼亚理工大学教师主导的研究项目。

研究重点领域

该计划于今年3月启动，专注于高效鲁棒机器学习相关研究。首批资助对象包括两名博士研究生和四名教师，他们将获得资金支持在多个学科领域开展研究项目。

学术研究基金获得者

Qing Guo（统计学博士生）

• 研究方向：基于对比学习的非参数互信息估计
• 静态和序列模型的贝叶斯实验优化设计
• 基于信息论泛化理论的元学习
• 对话式搜索与推荐的推理机制

Yi Zeng（计算机科学博士生）

• 研究方向：评估AI在医疗保健、商业活动、金融服务等关键社会任务中的潜在风险
• 开发实用有效的安全部署对策

教师研究奖项获得者

平台无关的机器学习模型隐私泄露监控

• 研究目标：实现黑盒ML模型的实时、平台无关隐私泄露监测
• 技术方法：通过识别自相似、低效用模型查询提出新的检测方法
• 系统架构：设计基于流数据的实时隐私泄露监控系统

FEDGUARD：防御联邦学习系统后门攻击

• 研究重点：为安全敏感的联邦学习应用提供关键使能技术
• 应用场景：数字助理系统等安全敏感场景

统一多模态对话式具身智能体

• 研究目标：设计能够主动询问、解决歧义的具身智能体
• 技术特点：支持多任务同时执行，适应不确定的人类行为
• 最终成果：通用型具身代理，能够理解指令、预测人类信念

资源受限系统的绿色高效联邦学习

• 创新点：联合计算、通信和学习系统协同设计
• 技术方法：机器学习、无线通信、博弈论和平均场理论相结合
• 系统规模：支持数百万设备的系统扩展

研究意义

这些研究不仅将推动算法创新，更将研究机器学习实际安全部署的相关问题。通过产学研合作，将加速鲁棒机器学习领域的新见解和技术进步，特别是在隐私保护、联邦学习和对话式AI等关键领域。