Cef1aae526e159d9f5891cc83dc35f9e59cb4790

近日,人工智能领域的最顶级会议之一“NeurIPS 2019”揭晓论文录用名单,会议共收到6743篇论文投稿, 仅164篇入选Spotlight论文,1428篇文章入选Poster。致远学院2019届(“致远八期“)数学方向毕业生余涛同学(现康奈尔大学计算机系一年级博士研究生)以第一作者身份斩获其中两篇文章,分别入选Spotlight论文和Poster论文。

在大二下学期,余涛开始跟随图灵奖得主、中科院外籍院士、上海交大访问讲席教授John Hopcroft学习《数据科学基础》课程,并由此走上科研道路。在Hopcroft教授的悉心指导下,他开展流形比较解释神经网络的研究。大四上学期,受Hopcroft教授推荐,他得以前往康奈尔大学跟随Kilian Weinberger和Chris De Sa教授进行为期半年的科研实习。2019年本科毕业后,他选择前往康奈尔大学继续攻读博士学位,先后在AI顶级会议ICML 2019和NeurIPS 2019上发表论文。

余涛入选“NeurIPS 2019”论文简介如下:

Spotlight论文:Numerically Accurate Hyperbolic Embeddings Using Tiling-Based Models 利用双曲空间嵌入层次型数据(如图、树)时,可以取得出色的性能,但在使用浮点数表示双曲空间中的点时,嵌入误差受浮点运算误差影响将会无限变大。为解决这个问题,作者提出双曲空间新模型,利用整数平铺来表示双曲空间,并具有可证明的有界数值误差。该模型可以使用普通32位浮点数来获得同等高精度浮点嵌入表现,同时能够以较少空间储存嵌入。通过一系列实验评估该模型,不仅有效压缩双曲嵌入(将WordNet嵌入压缩至原先2%),也可以学习更精确的嵌入(将Mammals嵌入表现提高10%)。

Poster论文:A New Defense Against Adversarial Images: Turning a Weakness into a Strength 在利用神经网络进行分类时,自然图像的周围存在一些低密度错误分类区域,使用基于梯度的方法有效搜寻可以导致对抗样本的存在。虽然许多用于检测这些攻击的方法被提出,但是当攻击者完全了解检测机制并相应调整攻击策略时,这些方法很容易被再次攻破。作者采用一种新颖的视角,将对抗方向的无处不在视为优点而非弱点。假设一张图像被篡改,这些对抗方向要么变得难以用梯度方法找到,要么将具有比自然图像更高的密度。针对此特征,作者开发了一种实用测试方法以成功的检测对抗攻击,并在攻击者充分了解检测机制的白盒的情景下,实现了前所未有的准确性。

学子感言

“在刚刚进入博士学习阶段,能在AI顶级会议上获得认可,我感到非常幸运。这些科研成果都是我在本科学习期间取得的。感谢学院对我的悉心培养,尤其是为我们提供了优越的国际交流平台,让我在本科阶段就有机会接触图灵奖这样的国际学术大师。海外科研实习极大开拓了我的学术视野。感谢John Hopcroft教授从我大二至今一路给予的帮助和指导,带我探索机器学习的奥秘。漫漫科研航程中,感谢教授为我点燃最亮的灯塔。”