学术合作计划启动

某中心与弗吉尼亚理工大学今日宣布首批学术研究员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

该计划聚焦于高效鲁棒机器学习相关研究，涵盖以下前沿方向：

• 联邦学习
• 元学习
• 机器学习模型隐私泄漏
• 对话式界面

研究员及研究课题

学术研究员

Qing Guo（统计学博士生）

• 基于对比学习技术的非参数互信息估计
• 静态和序列模型的最优贝叶斯实验设计
• 基于信息论泛化理论的元学习
• 对话搜索和推荐的推理研究

Yi Zeng（计算机科学博士生）

• 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
• 开发实用有效的对策确保AI安全部署

教师研究奖项获得者

Peng Gao与Ruoxi Jia

• 项目：“平台无关的机器学习模型隐私泄漏监控”
• 研究内容：针对黑盒ML模型开发实时、平台无关的隐私泄漏监测和检测方法，通过识别自相似、低效用模型查询来检测隐私泄漏。

Ruoxi Jia与Yalin Sagduyu

• 项目：“FEDGUARD：保护联邦学习系统免受后门攻击”
• 研究内容：开发关键技术确保联邦学习在数字助理系统等安全敏感应用中的安全采用。

Ismini Lourentzou

• 项目：“面向统一多模态对话具身代理”
• 研究内容：设计能够主动向人类请求协助、同时执行多任务并适应不确定人类行为的通用具身代理。

Walid Saad

• 项目：“资源受限设备和系统的绿色、高效、可扩展联邦学习”
• 研究内容：通过机器学习、无线通信、博弈论和平均场理论的先进技术，设计在资源受限设备上实现绿色高效的联邦学习算法。

研究意义

这些研究不仅将推动算法进步，还将研究机器学习实际安全部署相关问题，为资源受限设备和无线系统上的联邦学习应用提供切实可行的解决方案。