Ce que vous devez savoir avant
Vous commencez

Débute 5 June 2026 22:43

Se termine 5 June 2026

00 Jours
00 Heures
00 Minutes
00 Secondes
course image

Confiance et Méfiance dans l'Apprentissage Automatique : Confidentialité, Vérification et Robustesse

Plongez-vous dans une exploration stimulante de la confiance et la méfiance dans l'apprentissage automatique avec l'estimée Shafi Goldwasser. Cette conférence Emmy Noether aborde les questions pressantes de la confidentialité, les méthodes critiques pour la vérification, et les défis robustes présents dans le paysage actuel de l'IA. Regardez.
Institute for Advanced Study via YouTube

Institute for Advanced Study

6076 Cours


1 hour 5 minutes

Amélioration optionnelle disponible

Not Specified

Progressez à votre rythme

Free Video

Amélioration optionnelle disponible

Aperçu

Immerse yourself in a thought-provoking exploration of trust and distrust in machine learning with the esteemed Shafi Goldwasser. This Emmy Noether Lecture addresses the pressing issues of privacy, the critical methods for verification, and the robust challenges present in today's AI landscape.

Stream the lecture now on YouTube and deepen your understanding of these pivotal topics within Artificial Intelligence and Computer Science.

Programme

  • Introduction à la Confiance dans l'Apprentissage Automatique
  • Définition et Importance de la Confiance en ML
    Aperçu de la Vie Privée, de la Vérification et de la Robustesse
  • Enjeux de Confidentialité dans l'Apprentissage Automatique
  • Comprendre les Implications en Matière de Confidentialité
    Confidentialité Différentielle
    Apprentissage Fédéré et Confidentialité
    Techniques pour l'Anonymisation et la Sanitation des Données
  • Méthodes de Vérification dans l'Apprentissage Automatique
  • Aperçu de la Vérification dans les Systèmes ML
    Techniques de Vérification Formelle
    Vérification et Surveillance à l'Exécution
    Outils et Cadres pour la Vérification des Modèles ML
  • Défis de Robustesse dans l'Apprentissage Automatique
  • Définir la Robustesse dans les Systèmes ML
    Attaques Adversariales et Mécanismes de Défense
    Généralisation et Surapprentissage
    Robustesse dans le Déploiement et la Maintenance des Modèles
  • Études de Cas et Applications Réelles
  • Analyse de la Confiance dans les Applications ML
    Leçons Tirées de l'Industrie et de la Recherche
  • Implications Éthiques et Sociétales
  • Biais et Équité dans l'Apprentissage Automatique
    Considérations Éthiques dans le Déploiement des ML
    Directions Futures et Questions de Recherche Ouvertes
  • Conclusion et Résumé
  • Intégration de la Confidentialité, de la Vérification et de la Robustesse en ML
    Points Clés et Meilleures Pratiques
  • Conférence Invitée avec Shafi Goldwasser
  • Aperçus de la Recherche et des Applications
    Session de Q&R avec les Participants
  • Évaluation Finale et Projet
  • Application Pratique des Concepts du Cours
    Présentations des Étudiants et Retour d'Information des Pairs

Matières

Computer Science