Confianza y Desconfianza en ML: Privacidad, Verificación y Robustez

Resumen

Explore los aspectos críticos de la confiabilidad del aprendizaje automático con Shafi Goldwasser, examinando preocupaciones de privacidad, métodos de verificación y desafíos de robustez en esta Conferencia Emmy Noether.

Programa de estudio

• Introducción a la Confianza en el Aprendizaje Automático
Definición e Importancia de la Confianza en el AA
Descripción General de la Privacidad, Verificación y Robustez
• Preocupaciones sobre la Privacidad en el Aprendizaje Automático
Comprensión de las Implicaciones de Privacidad
Privacidad Diferencial
Aprendizaje Federado y Privacidad
Técnicas para Anonimización y Saneamiento de Datos
• Métodos de Verificación en el Aprendizaje Automático
Descripción General de la Verificación en Sistemas de AA
Técnicas de Verificación Formal
Verificación y Monitoreo en Tiempo de Ejecución
Herramientas y Marcos de Trabajo para la Verificación de Modelos de AA
• Desafíos de Robustez en el Aprendizaje Automático
Definición de Robustez en Sistemas de AA
Ataques Adversarios y Mecanismos de Defensa
Generalización y Sobreajuste
Robustez en el Despliegue y Mantenimiento de Modelos
• Estudios de Caso y Aplicaciones del Mundo Real
Análisis de la Confianza en Aplicaciones de AA
Lecciones Aprendidas de la Industria y la Investigación
• Implicaciones Éticas y Sociales
Sesgo e Imparcialidad en el Aprendizaje Automático
Consideraciones Éticas en el Despliegue de AA
Direcciones Futuras y Preguntas de Investigación Abiertas
• Conclusión y Resumen
Integración de Privacidad, Verificación y Robustez en AA
Puntos Clave y Mejores Prácticas
• Conferencia Invitada con Shafi Goldwasser
Perspectivas de la Investigación y Aplicaciones
Sesión de Preguntas y Respuestas con los Participantes
• Evaluación Final y Proyecto
Aplicación Práctica de Conceptos del Curso
Presentaciones de Estudiantes y Retroalimentación entre Pares

Asignaturas

Ciencias de la Computación