报告题目：任务型对话的口语理解与智能计算

报告人：程立智 

专   业：计算机科学与技术

导   师：贾维嘉教授

学   号：018033910019

时   间：4月25日 上午10：50—11：30

地   点：电院3-404

简   介： 随着近些年智慧城市建设的快速推进与智能设备的普及，用户愈发的寻求进行更便捷的交互方式。使用自然语言进行交互具有快捷、直接等特点，备受用户青睐。在此背景下，任务型对话系统旨在通过对话实现用户的需求，大规模应用于诸如智能语音助手等人机交互程序，也随之成为热门课题。作为传统任务型对话系统中自然语言处理部分的第一个任务，口语理解任务扮演着对话系统与用户之间的语义理解接口这一角色，为任务型对话系统划定作用领域和操作目标，直接影响着整个任务型对话系统的性能。建立一个精准高效的口语理解模型对任务型对话系统建设具有重要意义。

随着用户对任务型对话系统需求的提升，一些新型的口语理解任务场景也随之诞生。其中，一些用户寻求连续进行多轮对话来满足其需求，创造了多轮口语理解应用场景。一些用户使用复杂句式并在一句话中同时表达多个不同的意图，催生了多意图口语理解应用场景。这些新的应用场景大幅度提高了口语理解任务的难度，新型口语理解技术亟待突破。为了提高口语理解模型在各类新型应用场景中的性能表现，本报告针对现有口语理解方法存在的问题进行了系统的研究，探究了预测结果在口语理解任务中的重要作用并为对应的场景设计了全新的解决方案，在预测精度和推理速度两方面提升了口语理解模型的性能。

-----------------------------------------------------------------------------------------------------

报告题目：个性化排序中的效用目标建模和学习

报告人：戴心仪

专   业：计算机科学与技术

导   师：俞勇教授

学   号：018033910046

时   间：4月25日 上午10：10—10：50

地   点：电院3-404

简   介： 排序（Ranking）是当代在线信息系统，比如推荐系统、在线广告、搜索引擎等服务的核心问题。给定一个庞大的物品候选池，排序决定了如何从中选出一个有序的列表展示给用户，从而最大化用户在系统中的体验。学习排序(Learning to Rank)就是通过机器学习的方式，利用大量的排序特征组合和标注数据进行训练，自动学习参数，产生一个排序模型，从而优化某个特定的排序评价指标。传统的排序指标是围绕相关性来定义的，相关性标签越高的物品在排序模型产生的列表中被排得越靠前，相关性指标就越高。这代表用户可以在系统中最快速地获得相关性更高的信息然后离开，符合人们使用搜索引擎的传统场景。然而随着在线信息服务特别是移动在线信息服务的发展，衡量一个排序系统的标准也发生了变化，平台更希望用户能够在系统中长时间留存，持续地产生更多交互。交互的数量越多，说明推荐内容越有用，能够给用户带来更多的信息。因此这类基于交互的数量定义的效用目标，成为了平台更加关注的目标。本次报告分别从离线和在线学习排序的角度，研究了如何利用用户交互模型这一工具对用户的效用目标进行估计，以及提出具体的学习排序算法对其进行优化，并在这个过程中平衡各方参与者的利益

---------------------------------------------------------------------------------

报告题目：深度学习侧信道分析的进展与问题

报告人：曹培

专   业：计算机科学与技术

导   师：谷大武教授

学   号：018033910011

时   间：4月25日 上午9：30—10：10

地   点：电院3-404

简   介： 密码芯片是信息安全的根基，是保证国家网络空间安全的关键。虽然常用的密码算法在数学和计算意义上相对安全，但密码芯片在物理环境中普遍存在信息泄漏，例如芯片的电磁辐射和瞬时功耗，这些通常被称为侧信道信息。由于侧信道信息和密码算法的内部运算数据往往是相关的，敌手有可能使用统计分析以较小的运算代价破解密码算法的密钥，这种方法被称为侧信道分析。为了抵御侧信道分析，学术界提出了许多经典的防护技术，例如掩码与隐藏技术。这些防护技术在抵御传统的侧信道分析时是十分有效的，但近年来受到了来自于深度学习技术的挑战，已有研究结果表明基于深度学习的侧信道分析天然具备攻破掩码的能力，且能够不受曲线对齐与否的影响。自深度学习建模分析被提出以来，仍然存在两点尚未解决的关键问题：一是当建模设备和目标设备存在差异时跨芯片分析困难的问题，二是当目标密码实现加了掩码防护后神经网络模型收敛困难问题。本报告将介绍我们在上述关键问题上的最新研究进展，包括高鲁棒性的跨设备建模分析方法以及针对掩码的高阶建模分析方法。

-----------------------------------------------------------------------------------------------------------

报告题目：基于迁移学习的图像分类和分割方法研究

报告人：陈俊杰

学   号：018033910048

专  业：计算机科学与技术

导  师：张丽清教授

地  点：电院3-517A

时  间：4月21日11:00-11:40

内容简介：

近年来，计算机视觉和深度学习技术不断进步，极大地推动了各种应用的发展和落地，让自动驾驶和智能机器人等科幻梦想得以变为现实产品。但目前这个巨大的进步通常依赖于特定应用场景下充足的训练数据和完整的测试数据，并且这些数据大多需要高昂的成本来标注或收集。然而，现实世界中的应用场景多种多样，且在持续不断地发展，所以昂贵的训练数据和完整的测试数据便成为了目前严重制约计算机视觉技术进一步发展的瓶颈。迁移学习技术是缓解数据瓶颈的有效手段，它旨在从已有精细标注的数据集中提炼通用的信息来帮助深度学习模型更好地应对缺少标注数据的训练场景或缺少完整数据的测试场景。基于此，深度学习模型可以在新的学习场景下减少对精细标注的训练数据或完整的测试数据的依赖程度，从而有更低廉的拓展成本以及更广阔的应用空间。本次报告分享的工作从图像分类和语义分割这两种有代表性的视觉任务为例，研究使用迁移学习技术来帮助模型用更低廉的数据来学习更多的新类别，以及用更易得的测试数据来保持模型的测试性能，能够降低模型的拓展成本，提升模型的泛化能力与实际应用场景。