简介: OpenAI 9月21号开源了一个新的自动语音识别（Automatic Speech Recognition, ASR）模型Whisper。Whisper模型的训练使用了680k小时的多种语言的语音数据（从网络上搜集而来）进行训练。此模型在不同的口音、背景噪声以及专业术语等上下文环境下都相当鲁棒。此外该模型还支持其它语言（共99种）的语音识别，并支持自动翻译为英文。

简介: ​这篇论文发表于今年的S&P，一作Jinyuan Jia目前在杜克大学攻读博士学位，他在安全顶会上已发表多篇文章，其所在实验室主要研究隐私与安全。本文的BadEncoder 提出了一种新的针对自监督学习（self-supervised learning）的后门攻击。

简介: 这篇论文由Openai研究人员在2017年发布于arXiv上。论文改进了进化算法在强化学习中的应用，论文提出的方法极大地降低了不同进程间的通信量，让进化算法可以大规模并行。

简介: 这篇论文发表于2021年的S&P，一作 Nicholas Boucher 是剑桥大学的博士。这篇文章提出了一种针对NLP的新的攻击方式。此攻击通过对任务输入字符编码的修改，来让NLP服务的计算时间延长或者让服务给出错误的结果。它的一大特点就是经过攻击修改后的文字编码在经过渲染（比如浏览器、编辑器等）后，看起来和原本的文本是一样的（或基本差不多）。

简介: 这篇论文发布于2020年的NIPS，一作为伯克利人工智能实验室的研究人员 Aviral Kumar。论文旨在解决离线（offline）强化学习中由分布漂移（distributional shift）导致的价值函数超估（overestimation）问题。

简介: 这篇论文发表在2021年的ICLR，一作Amy Zhang目前在加州伯克利做博士后，她同时还在脸书AI研究部门担任科学家。论文研究了在强化学习环境下在不使用数据重构（类似autoencoder）方法时，如何得到一个好的环境编码的问题。

简介: 这篇文章发表于今年的NDSS，主要研究了自动驾驶（Autonomous Driving, AD）系统中过于保守策略的漏洞。文章针对AD系统中过于保守的策略，设计了一个自动搜索语义拒绝服务攻击漏洞的方法 PlanFuzz。

简介: 这篇论文发表于今年的S&P，对联邦学习在实际应用情况下污染攻击（Poisoning Attacks）的影响进行了测量。一作是麻省大学的博士，他们实验室是搞隐私保护的，包括网络中或者机器学习中的隐私保护，每年在顶会上都有一些文章输出。

简介: SAC算法是Tuomas Haarnoja于DeepMind在2018年提出的强化学习算法。无模型深度强化学习在决策和控制任务中应用时会遇到两个挑战：1. 需要大量的样本；2. 收敛性。此算法希望为​解决这两个挑战提供一个好的解决方案。

简介: 文章发表于今年的NDSS，对联邦学习(Federated Learning, FL)中的本地以及服务端差分隐私问题进行了测量研究。