AIRS in the AIR

• 

  查宏远

  香港中文大学（深圳）校长学勤讲座教授、数据科学学院执行院长、AIRS 机器学习与应用中心主任

  执行主席

  Bio

  Abstract
• 

  于天舒

  香港中文大学（深圳）数据科学学院助理教授、AIRS 机器学习与应用中心副研究员

  主持人

  Bio

  Abstract
• 

  王帝

  沙特阿卜杜拉国王科技大学计算机系助理教授

  差分隐私模型中经验风险最小化问题的挑战

  Bio

  王帝博士目前是沙特阿卜杜拉国王科技大学计算机系助理教授，博士生导师，同时担任统计系兼职教授和“隐私意识、社会责任与可信计算实验室”负责人。他于2020年在纽约州立大学布法罗分校获得博士学位，2015年于西安大略大学获得硕士学位，2014年在山东大学获得学士学位。他曾访问波士顿大学，哈佛大学，西蒙斯理论计算研究院和加州大学伯克利分校，并且是芬兰赫尔辛基大学，芬兰人工智能中心的客座教授。王帝教授目前的研究领域包括差分隐私、隐私保护机器学习、统计学习理论、量子机器学习、可解释性、鲁棒统计、深度学习、数字医疗，和生物信息计算等。他以第一作者和通讯作者在人工智能，机器学习和理论计算机顶级期刊和会议例如 ICML、NeurIPS、 JMLR、IEEE Transactions on Information Theory、 Theoretical Computer Science、Machine Learning Journal、PODS、ALT、AISTATS、AAAI、IJCAI、WINE  发表超过40篇论文。他共计主持超过1800万的科研项目，多次担任国际顶级学术会议和期刊的领域主席和审稿人，并且多次受邀于国际顶级学术会议和学术机构做报告。

  Abstract

  最近的研究表明，大多数现有的学习模型都容易受到各种隐私攻击。因此，机器学习面临的一个主要挑战是如何有效地从敏感数据中学习。解决此问题的一种有效方法是在学习过程中使用差分隐私（DP）技术。作为一种严格的隐私保护技术，差分隐私（DP）现已成为隐私数据分析的标准工具。尽管在理论上发展迅速，但由于数据、隐私模型和学习任务的各种挑战，差分隐私在机器学习的进展仍然缓慢。在这次讲座中，我将以经验风险最小化（ERM）问题为例，展示如何克服这些挑战。我将首先讨论如何克服局部差分隐私（LDP）模型中稀疏线性回归数据的高维挑战。然后，我将讨论来自非交互式 LDP 模型的挑战，并展示一系列结果以降低 ERM 的指数样本复杂度。接下来，我将介绍使用在非凸损失函数 ERM 中实现 DP 。最后，我将围绕这些方向讨论一些未来的研究。

• 

  杨耀东

  北京大学人工智能研究院助理教授

  多智能体博弈与强化学习

  Bio

  杨耀东博士，北京大学人工智能研究院助理教授、博导，伦敦国王大学客座助理教授。他的科研领域包括强化学习、博弈论和多智能体系统，重点关注基于强化学习方法的群体智能涌现。他本科毕业于中国科技大学，并于帝国理工大学、伦敦大学学院获得硕士及博士学位。他发表 AI 顶会论文及专利专著50余篇，谷歌引用1700余次，他的工作曾获机器人学习会议 CoRL 最佳系统论文奖、多智能体顶会 AAMAS 最具前瞻性论文奖、AAAI/ACM SIGAI 优博奖参选人（UCL唯一）、华为英国公司最佳技术突破奖、世界人工智能大会（WAIC 2022）云帆奖璀璨明星、2022年 ACM SIGAI China 新星奖（Rising Star Award）。

  Abstract

  训练多个强化学习智能体并使其进行博弈是具有挑战性的，主要原因是在求解博弈均衡、例如纳什均衡时不存在多项式解法。在本讲中，我将会介绍在合作博弈以及零和博弈上的最新进展。其中，在合作博弈上，我们研究了基于置信域方法的多智能体强化学习算法。该方法的原理是基于多智能体优势函数分解引理，该引理不需要借助任何假设（如 individual-global-max 假设）而在合作博弈中普遍成立。在零和博弈中，我会介绍基于 policy space response oracle 的最新进展。PSRO 方法能有效解决零和博弈问题中的非传递性 non-transitivity 问题，并且为零和博弈的通用求解器提出了理论框架。

视频回顾