Confianza y Desconfianza en ML: Privacidad, Verificación y Robustez - Parte 2

Resumen

Profundiza en los desafíos de privacidad, verificación y robustez en el aprendizaje automático con la exploración de Shafi Goldwasser sobre los problemas de confianza en los sistemas de ML.

Programa de estudio

- Introducción a la Confianza y Desconfianza en el Aprendizaje Automático -- Descripción general de los problemas de confianza en los sistemas de AA -- Conceptos clave de privacidad, verificación y robustez - Privacidad en el Aprendizaje Automático -- Privacidad diferencial -- Técnicas de anonimización de datos -- Modelos de aprendizaje automático que preservan la privacidad -- Estudios de caso sobre fallos de privacidad - Verificación en el Aprendizaje Automático -- Métodos de verificación formal para sistemas de AA -- Prueba y validación de modelos de aprendizaje automático -- Herramientas y técnicas para la verificación de modelos -- Aplicaciones y escenarios del mundo real - Robustez en el Aprendizaje Automático -- Ataques y defensas adversarias -- Pruebas y evaluación de robustez -- Diseño de sistemas de AA robustos -- Estudios de caso sobre desafíos de robustez - Estudios de Caso y Aplicaciones -- Examen de estudios de caso de alto impacto -- Lecciones aprendidas de problemas de confianza en proyectos pasados - Conferencia de Invitado Experto: Shafi Goldwasser -- Análisis profundo de desafíos específicos de confianza -- Sesión abierta de preguntas y respuestas - Direcciones Futuras en la Confianza para el AA -- Tendencias emergentes y áreas de investigación -- Discusión de desafíos no resueltos y soluciones potenciales - Conclusión y Cierre -- Resumen de los aprendizajes clave -- Reflexiones finales sobre la construcción de sistemas de AA confiables - Proyecto: Construcción de una Aplicación de AA Confiable -- Diseñar e implementar un sistema de AA a pequeña escala que aborde privacidad, verificación y robustez -- Presentar y criticar proyectos en una sesión de revisión por pares

Enseñado por

Etiquetas