ACM SIGKDD 知识发现和数据挖掘会议（KDD） 始于 1989 年，是数据挖掘领域历史最悠久、规模最大的国际顶级学术会议，也是首个引入大数据、数据科学、预测分析、众包等概念的会议。

今年，第 26 届 KDD 于太平洋标准时间 8 月 23 日 - 27 日以虚拟方式召开。本届大会共有 1279 篇论文提交到 Research Track，接收 216 篇，接受率 16.8%。

不久之前， KDD 2020 公布了最佳论文、最佳学生论文等多个奖项。其中，最佳学生论文奖由杜克大学的李昂、 杨幻睿 、陈怡然和北航段逸骁、杨建磊摘得。 这篇论文的亮点在于作者们提出了一个任务独立、尊重隐私的数据众包框架——TIPRDC。 它带有匿名中间表征。 该框架的目标是学习一个能够向中间表征隐藏隐私信息的特征提取器，同时最大限度地保留嵌入在原始数据中的原始信息，以供数据收集器完成未知的学习任务。

为了帮助读者们更细致的了解这篇论文，最新一期的机器之心线上论文分享邀请到最佳学生论文一作李昂，为我们介绍该研究。

分享主题：基于匿名中间表征的任务独立和尊重隐私的数据众包框架

个人简介

李昂目前就读于杜克大学，是电子和计算机工程系在读博士，导师为陈怡然教授。李昂的主要研究方向是深度学习，移动和边缘计算，隐私保护等。在进入杜克大学之前，他曾在 2018 年获得阿肯色大学计算机科学博士学位，2013 年获得北京大学软件工程硕士学位，2010 年获得河南大学计算机科学本科学位。

 

分享概要

本讲座重点介绍 2020 KDD 最佳学生论文《TIPRDC: Task-Independent Privacy-Respecting Data Crowdsourcing Framework for Deep Learning with Anonymized Intermediate Representations》。文章提出了一个基于匿名中间表征的任务独立、尊重隐私的数据众包框架——TIPRDC。该框架的目标是学习一个特征抽取器，它可以隐藏中间表征中的隐私信息，同时最大限度地保留原始数据中嵌入的原始信息，以供数据收集器完成未知的学习任务。作者设计了一种混合训练方法来学习匿名中间表示：（1）利用对抗学习隐藏中间表征中的隐私信息；（2）使用基于神经网络的互信息估计器最大限度地保留原始信息。通过对该框架进行广泛评估，并将其与现有方法在两个图像数据集和一个文本数据集进行了比较。结果表明，该框架大大优于其他现有的方法。

 

论文链接：https://dl.acm.org/doi/pdf/10.1145/3394486.3403125

直播时间：北京时间 9 月 3 日 20:00—21:00

参与方式： 添加机器之心小助手（syncedai5），备注「KDD」，进群一起看直播。

同时，如果你的论文被 KDD 2020 接收，欢迎向我们投稿，联系邮箱 [email protected]。

PS：如本小助手无法添加，请添加小助手的兄弟姐妹们：syncedai2、syncedai3、syncedai4、syncedai6。或者将「微信 ID」发送邮件到 [email protected]，我们将与你联系，邀你入群。

关于机动组

细心的小伙伴会发现本次分享的海报上多出一个新的 logo：机动组。「机动组」是机器之心最新发起的人工智能技术社区，面向人工智能领域的研究、算法和工程等学术及技术从业者，以及相关专业学生。在过去举办的线上公开课与线下活动的基础上，「机动组」将提供人才服务、产业技术对接等更多服务，帮助各类技术从业者学习知识、提升技能。