|极市线上分享第107期 |
(相关资料图)
一直以来，为让大家更好地了解学界业界优秀的论文和工作，极市已邀请了超过100位技术大咖嘉宾，并完成了106期极市线上直播分享。
往期分享请前往bbs.cvmart.net/topics/149或直接阅读原文，也欢迎各位小伙伴自荐或推荐更多优秀的技术嘉宾到极市进行技术分享，与大家一起交流学习~~
众所周知，现代的深度神经网络存在着严重的鲁棒性缺陷，容易遭受对抗样本的攻击。如何系统的获得可验证的鲁棒性保证是近年来一个重要的研究方向。
本次分享我们邀请到了北京大学的张博航，为大家介绍他们NeurIPS 2022上的工作：
Rethinking Lipschitz Neural Networks and Certified Robustness: A Boolean Function Perspective（NeurIPS 2022 Oral）
“该工作系统探究了深度学习领域的核心问题：是否能够从模型层面出发，设计出具有天然对抗鲁棒性的神经网络？对于基本的L无穷鲁棒性问题，我们揭示了Lipschitz神经网络的表达能力与其拟合布尔函数能力之间的深刻联系。从这一角度，本文首先指出了标准Lipschitz神经网络表达能力的本质缺陷，并进一步探究了近期所提出的新型网络结构（如L无穷网络）背后的深层次机理。最后，本文提出了一个鲁棒性神经网络的统一框架，称为SortNet（排序网络），该网络结构在CIFAR-10、ImageNet等多个数据集上均取得了SOTA的表现。”
01
直播信息
时间
2022年12月21日（周三）：20:00-21:00
主题
如何从模型层面获得对抗鲁棒性保证02
嘉宾介绍
张博航
北京大学博士四年级学生，指导老师是王立威教授。研究方向为深度学习中的基础性问题，如神经网络的表达能力和鲁棒性。在机器学习顶会NeurIPS, ICML, ICLR上以一作身份发表5篇论文。更多信息见个人主页：https://zbh2047.github.io/
03
关于分享
➤分享大纲1、可验证的鲁棒性背景介绍2、基于Lipschitz性质的鲁棒性网络设计3、从布尔函数的角度理解Lipschitz神经网络的表达能力4、该领域的SOTA网络结构：L无穷距离网络5、一个统一的框架：排序网络➤论文
Rethinking Lipschitz Neural Networks and Certified Robustness: A Boolean Function Perspective（NeurIPS 2022 Oral）论文地址：https://arxiv.org/abs/2210.01787代码地址：https://github.com/zbh2047/sortnet04
参与方式
关注“极市平台”公众号，回复“107”可获取免费直播链接。
04
往期回顾
极市平台专注分享计算机视觉前沿资讯和技术干货，特邀请行业内专业牛人嘉宾为大家分享视觉领域内的干货及经验，目前已成功举办106期线上分享。近期在线分享可点击以下标题查看：ECCV2022 Oral-吴俊峰：视频实例分割新SOTA：SeqFormer&IDOL阿里达摩院：兼顾速度与精度的高效目标检测框架DAMO-YOLOECCV2022-李钢-PseCo：FPN错位对齐，实现高效半监督目标检测范琦-SSP: 自支持匹配的小样本分割任务新思想（ECCV2022）CVPR 2022-南开大学郑兆晖：目标检测定位蒸馏NeurIPS 2022 Spotlight-童湛：基于掩码和重建视频自监督预训练NTIRE 2022 冠军方案：用于轻量级图像超分辨率的蓝图可分离残差网络严彬-Unicorn：走向目标跟踪的大一统（ECCV2022 Oral）CVPR 2022-唐业辉：量子启发的新型视觉主干模型WaveMLP港科大陈启峰：图像处理与复原中的可逆性问题陈使明：零样本学习的关键问题研究郑哲东丨从行人重识别到无人机定位陈鑫：CVPR 2021-TransT: 基于Transformer的高性能单目标跟踪算法更多往期分享请浏览：极市计算机视觉技术分享集锦
（http://bbs.cvmart.net/topics/149/cvshare），也可以点击阅读原文获取。#CV技术社群邀请函#
△长按添加极市小助手添加极市小助手微信（ID : cvmart4）备注：姓名-学校/公司-研究方向-城市（如：小极-北大-目标检测-深圳）
即可申请加入极市目标检测/图像分割/工业检测/人脸/医学影像/3D/SLAM/自动驾驶/超分辨率/姿态估计/ReID/GAN/图像增强/OCR/视频理解等技术交流群
每月大咖直播分享、真实项目需求对接、求职内推、算法竞赛、干货资讯汇总、与10000+来自港科大、北大、清华、中科院、CMU、腾讯、百度等名校名企视觉开发者互动交流~
觉得有用麻烦给个在看啦~关键词： 神经网络
