报告题目：可信赖图学习（Trustworthy Graph Learning）

报告时间：2023年5月25日10:00

报告地点：122cc太阳集成中心校区王湘浩楼A515

报告人：王炳辉

报告人简介：

王炳辉，伊利诺伊理工计算机科学系助理教授，芝加哥数据研究中心成员。研究方向为：可信赖机器学习及基于数据驱动的安全隐私。博士后师从陈怡然(IEEE/ACM Fellow)，博士导师Neil Zhenqiang Gong，北美计算机华人学者协会学术新星奖）。王博士在顶级安全会议（如IEEE S&P, CCS, NDSS）和期刊（如IEEE TIFS, IEEE TNNLS），以及人工职能/计算机视觉/数据挖掘会议（如NeurIPS, ICLR, ECCV, CVPR, KDD, WWW, ICDM, INFOCOM等）发表论文30余篇。他获得2022年度百度学术AI+X华人青年学者称号, 2022年度美国自然科学金NSF CRII Award, 2022年度思科研究奖, 2021年度亚马逊研究奖等。同时，他的科研成果获得多篇最佳论文（提名）奖，如2020 DeepMind Best Abstract Award, 2019 NDSS Distinguished Paper Award Honorable Mention, and 2017 INFOCOM best paper finalist.

报告内容简介：

图学习最近被广泛关注，且在图相关任务（如图分类，点分类， 链接分析等）取得最佳效果。然而，近来研究表明当前图学习方法对安全和隐私攻击非常脆弱。本报告，我将首先介绍针对图结构安全攻击的（第一个）具有理论保证的防御方法。该方法基于当前最为流行的随机平滑技术，且获得最紧致的理论防御效果。其次，我将介绍我们提出的（第一个）隐私保护图表征学习框架。该框架同时涉及主任务以及隐私保护任务。我们用互信息形式化两任务，推导出易处理的变分界，继而通过参数化神经网络获取变分界。

主办单位：122cc太阳集成

122cc太阳集成软件学院

122cc太阳集成计算机科学技术研究所

符号计算与知识工程教育部重点实验室

海战场攻防对抗仿真技术教育部重点实验室

122cc太阳集成国家级计算机实验教学示范中心