审稿人国际机器学习会议(ICML),2021-2024。国际学习代表会议(ICLR),2022-2024。神经信息处理系统(Neurips),2020-2024。AAAI人工智能会议(AAAI),2021-2024。国际人工智能会议(IJCAI),2022-2024。ACM SIG关于知识发现和数据挖掘(KDD),2020-2024。ACM SIG关于信息检索(Sigir),2020,2022,2023。IEEE知识和数据工程交易(TKDE),2020年。ACM从数据(TKDD)中发现的ACM交易,2021,2024
传统推荐系统通常使用用户项目评级历史记录作为其主要数据源。但是,深层生成模式现在可以从复杂的数据分布中建模和采样,包括用户信息交互,文本,图像和视频,从而实现新颖的推荐任务。这项全面的多学科调查使用生成模型(Gen-Recsys),覆盖:相互作用驱动的Genertic模型连接Rs中的关键进步;使用大语模型(LLM)和文本数据用于自然语言建议;以及以Rs生成和处理图像/视频的多模型集成。我们的工作强调了评估Gen-Recsys的影响和危害并确定开放挑战的必要范例。此调查伴随着ACM KDD'24的教程,并提供了以下材料:https://encr.pw/vdhlq。
埃默里大学计算机科学系2020年8月 - 目前的终身任期助理助理教授,乔治亚州亚特兰大•研究兴趣:图数据挖掘,应用机器学习,知识图,联合学习;推荐系统,社交网络,神经科学,医疗保健。•罗林斯公共卫生学院(RSPH)生物统计学和生物信息学系助理教授(任命)。•Nell Hodgson Woodruff护理学院数据科学中心助理教授(任命)。•埃默里全球糖尿病研究中心(EGDRC)核心教师。•佐治亚州糖尿病翻译研究中心(GCDTR)中心。•CS教师搜索委员会,CSI博士学位招生委员会,院长教学奖学金委员会,学术标准委员会(自然科学和数学)。•NSF REU/RET在Emory的数学/CS中的指导; KDD本科财团的导师。
ACM SIGKDD知识发现与数据挖掘会议(KDD):2015-21神经信息处理系统会议(NEURIPS):2019-21国际机器学习国际会议(ICML):2019-20计算语言学协会年会(ACL)年度会议(ACL):2017-19阶段:2017 - 19 2017-20 The AAAI Conference on Artificial Intelligence ( AAAI ): 2018-19 International Joint Conference on Artificial Intelligence ( IJCAI ): 2018-19 ACM International Conference on Web Search and Data Mining ( WSDM ): 2017-19 Annual Conference of the North American Chapter of the Association for Computational Linguistics ( NAACL ): 2018-19 ACM SIGIR Conference on Research and Development in Information Retrieval ( SIGIR ): 2017-18 ACM信息和知识管理会议(CIKM):2017
传统推荐系统通常使用用户项目评级历史记录作为其主要数据源。但是,深层生成模式现在可以从复杂的数据分布中建模和采样,包括用户信息交互,文本,图像和视频,从而实现新颖的推荐任务。这项全面的多学科调查使用生成模型(Gen-Recsys),覆盖:相互作用驱动的Genertic模型连接Rs中的关键进步;使用大语模型(LLM)和文本数据用于自然语言建议;以及以Rs生成和处理图像/视频的多模型集成。我们的工作强调了评估Gen-Recsys的影响和危害并确定开放挑战的必要范例。此调查伴随着ACM KDD'24的教程,并提供了以下材料:https://encr.pw/vdhlq。
摘要 尽管对网络安全的各个方面做出了重大贡献,但网络攻击仍然令人遗憾地呈上升趋势。越来越多的国际公认实体(如美国国家科学基金会和美国国家科学技术委员会)注意到人工智能可以帮助分析数十亿个日志文件、暗网数据、恶意软件和其他数据源,以帮助执行基本的网络安全任务。我们举办第一届人工智能网络安全分析研讨会(半天;与 ACM KDD 同地举办)的目标是聚集学术界和从业者,为人工智能网络安全分析的最新工作做出贡献。我们组建了一个优秀的跨学科计划委员会,该委员会在人工智能网络安全分析的各个方面拥有丰富的专业知识,以评估提交的工作。在 CTI、漏洞评估和恶意软件分析领域为半天研讨会做出了重大贡献。
●在加拿大的AI [Analytics Insight,2024年5月];更快的消息很快[有影响力的出版物,被禁运到2024年12月5日]●加拿大CIFAR AI椅子:总计12个(约40%的加拿大会员椅子),更多在管道中●奖学金:RSC(X3),ACM(X3),ACM研究员(X3),AAAI(x4),AAAI(X4),CRC Caine(X3),E.W.W.R.Steacie奖学金,斯隆研究研究员,Nserc Arthur B. McDonald研究员●研究奖:Killam Accelerator,基因组BC奖,学术数据领导者奖,Pierre Robillard奖,Pierre Robillard奖,…●最佳纸质奖项:NORA十年的诺拉十年来,NORA杰出纸张,FACCT最佳纸张,ICML最佳纸张,IIJ突出的奖项,IJCAIN奖,IJCAIE-KAIAR-JCAIAIAR,ijcai-k.
2023年2月7日口头表现。AAAI/SIGAI 2023博士财团。华盛顿特区,2022年8月12日口头演示。USENIX安全。波士顿,马萨诸塞州4月13日2021嘉宾演讲。佛蒙特大学人工智能。伯灵顿,VT,2018年12月7日口头演示(简短)。神经批评和纠正趋势研讨会。蒙特利尔,QC,2018年8月8日口头演示。数据科学芝加哥聚会重点,IDEO。芝加哥,伊利诺伊州伊利诺伊州2017年8月14日口头演示(简短)。KDD关于采矿和学习的研讨会。Halifax,NS,2016年10月13日口头表现。 职业混音器,UMass Amherst数据科学中心。 阿默斯特,马萨诸塞州,2015年5月18日海报。 新英格兰机器学习日,微软研究。 剑桥,马萨诸塞州Halifax,NS,2016年10月13日口头表现。职业混音器,UMass Amherst数据科学中心。阿默斯特,马萨诸塞州,2015年5月18日海报。新英格兰机器学习日,微软研究。剑桥,马萨诸塞州
摘要 - 机器学习的许多形式(ML)和人工智能(AI)技术在通信网络中采用以执行所有优化,安全管理和决策任务。而不是使用常规的黑框模型,而是使用可解释的ML模型来提供透明度和问责制。此外,由于网络的分布性和安全隐私问题,联合学习(FL)类型ML模型比典型的集中学习(CL)模型变得越来越流行。因此,研究如何使用可解释的AI(XAI)在不同的ML模型中找到解释能力是非常及时的。本文在网络中使用XAI在CL和FL的异常检测中进行了全面分析。我们将深层神经网络用作黑框模型,其中两个数据集,即UNSW-NB15和NSL-KDD,以及Shapley添加说明(SHAP)作为XAI模型。我们证明,FL的解释与客户端异常百分比不同。索引术语-6G,安全性,隐私,可解释的AI,中央学习,联合学习。