Lời hứa và cạm bẫy của đào tạo trước công khai trong học máy riêng biệt

Tiến sĩ Gautam Kamath

Đại học Washington

Tóm tắt nội dung:

Các hệ thống học máy hiện đại được đào tạo trên lượng dữ liệu khổng lồ. Nếu không được chăm sóc đặc biệt, các mô hình học máy có xu hướng nhai lại hoặc tiết lộ thông tin theo cách khác về các điểm dữ liệu riêng lẻ. Tôi sẽ thảo luận về quyền riêng tư khác biệt, một khái niệm nghiêm ngặt về quyền riêng tư dữ liệu và cách nó có thể được sử dụng để bảo vệ một cách có thể chứng minh được chống lại các tiết lộ dữ liệu vô ý như vậy của các mô hình học máy. Tôi sẽ tập trung chủ yếu vào các phương pháp tiếp cận gần đây sử dụng dữ liệu công khai để đào tạo trước mô hình, mang lại những cải tiến đáng kể về tiện ích của các mô hình được tinh chỉnh riêng tư. Tôi cũng sẽ thảo luận về những cạm bẫy của các phương pháp này và các con đường tiềm năng tiến lên cho lĩnh vực này.

Tiểu sử diễn giả:

Gautam Kamath là Trợ lý Giáo sư tại Trường Khoa học Máy tính David R. Cheriton thuộc Đại học Waterloo, và là Chủ tịch AI của Canada CIFAR và Thành viên Khoa tại Viện Vector. Ông có bằng Cử nhân Khoa học Máy tính và Kỹ thuật Điện và Máy tính từ Đại học Cornell, và bằng Thạc sĩ và Tiến sĩ Khoa học Máy tính từ Viện Công nghệ Massachusetts. Ông quan tâm đến thống kê đáng tin cậy và đáng tin cậy và máy học, bao gồm các cân nhắc như quyền riêng tư dữ liệu và tính mạnh mẽ. Ông là Nghiên cứu viên của Microsoft, với tư cách là một phần của Chương trình Nghiên cứu viên Simons-Berkeley tại Viện Simons về Lý thuyết Máy tính. Ông là Tổng biên tập của Transactions on Machine Learning Research và là đồng chủ tịch ủy ban chương trình của Hội nghị Quốc tế lần thứ 36 về Lý thuyết Học thuật toán (ALT 2025). Ông là người nhận được một số giải thưởng, bao gồm Giải thưởng Caspar Bowden cho Nghiên cứu xuất sắc về Công nghệ tăng cường quyền riêng tư, giải thưởng bài báo hay nhất tại Hội nghị quốc tế lần thứ bốn mươi mốt về Máy học (ICML 2024) và Giải thưởng Nghiên cứu xuất sắc kỷ niệm 50 năm thành lập Khoa Toán.

Tham dự trực tuyến tại đây
qrcode_186033827_2d01c66275a993bcba79ffcdc54bf317