来源：专知

【导读】近日，2019年ICLR已经在新奥尔良落下帷幕，GAN的作者GoodFellow在大会上作了受邀分享：Adversarial Machine Learning，本文整理了分享材料和视频内容，供大家学习使用。

介绍：

一直到2013年左右，大多数的人工智能机器学习专家都在致力于一个共同的目标：让机器学习为智能任务服务。现在监督学习有了新的研究方向，令机器学习更加的安全、私密，以及让模型减少对大量标记数据的依赖等等。在本次的演讲中，讨论了机器学习中的对抗技术如何涉及到这些新的研究前沿。

视频链接：

https://www.youtube.com/watch?v=sucqskXRkss

https://www.bilibili.com/video/av52414025

演讲结构如下：

全面回顾了对抗模型、安全性、基于模型的优化、强化学习、可靠性、label efficiency、领域自适应、公平、可解释、透明度、神经科学等多个研究方向的内容。

附讲座内容预览：

高质量延伸阅读

☞ OpenPV平台发布在线的ParallelEye视觉任务挑战赛

☞【学界】第1届“智能车辆中的平行视觉”研讨会成功举行

☞【学界】生成式对抗网络：从生成数据到创造智能

☞【学界】OpenPV：中科院研究人员建立开源的平行视觉研究平台

☞【学界】基于平行视觉的特定场景下行人检测

☞【学界】ParallelEye：面向交通视觉研究构建的大规模虚拟图像集

☞【CFP】Virtual Images for Visual Artificial Intelligence

☞【最详尽的GAN介绍】王飞跃等：生成式对抗网络 GAN 的研究进展与展望

☞【智能自动化学科前沿讲习班第1期】王飞跃教授：生成式对抗网络GAN的研究进展与展望

☞【智能自动化学科前沿讲习班第1期】王坤峰副研究员：GAN与平行视觉

☞【重磅】平行将成为一种常态：从SimGAN获得CVPR 2017最佳论文奖说起

☞【平行讲坛】平行图像：图像生成的一个新型理论框架

☞【学界】基于生成对抗网络的低秩图像生成方法

☞【学界】Ian Goodfellow等人提出对抗重编程，让神经网络执行其他任务

☞【学界】六种GAN评估指标的综合评估实验，迈向定量评估GAN的重要一步

☞【资源】T2T：利用StackGAN和ProGAN从文本生成人脸

☞【学界】 CVPR 2018最佳论文作者亲笔解读：研究视觉任务关联性的Taskonomy

☞【业界】英特尔OpenVINO™工具包为创新智能视觉提供更多可能

☞【学界】ECCV 2018: 对抗深度学习: 鱼 (模型准确性) 与熊掌 (模型鲁棒性) 能否兼得 

☞【学界】何恺明组又出神作！最新论文提出全景分割新方法