参会记录|全国多媒体取证暨第三届多媒体智能安全学术研讨会(MAS‘2024)

本文主要是介绍参会记录|全国多媒体取证暨第三届多媒体智能安全学术研讨会(MAS‘2024),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

前言:2024年4月13日上午,我与实验室的诸位伙伴共聚江西南昌的玉泉岛大酒店,参加了为期一天半的全国多媒体取证暨第三届多媒体智能安全学术研讨会(MAS’2024)。本届学术研讨会由江西省计算机学会、江西省数字经济学会主办,南昌大学承办。来自国内多媒体取证与人工智能安全的专家、学者代表等共计100余人次相聚豫章故郡,共同参与此次会议。以下为本人的会议笔记。


特邀报告 * 5场

智能化恶意软件检测与对抗 —— 纪守领

恶意软件检测是一个二分类任务,主要面临数据和模型两个层面的困难:

  • 数据层面:样本分布不均衡、样本标签不准确(Virus Total 标注工具)
  • 模型层面:恶意软件种类多、软件特征提取过程依赖强

报告中提到恶意软件检测的后门攻击、逃逸攻击以及鲁棒训练都是AI安全领域的分支,被迁移到恶意软件检测这个应用场景同样适用。

智能驱动的物联网安全 —— 朱浩瑾

这个报告关注:1)移动设备(如手机)以及车联网设备的语音识别及用户认证;2)CV领域基于隐写的后门攻击,TDSC 2021;3)NLP模型的供应链安全,CCS 2021;4)基于内生指纹的数据集与模型鉴权,CVPR 2022,NDSS 2023

大模型安全与隐私:现状及挑战 —— 李进

这个报告讲了一个综述,从数据、模型和输出内容三个角度阐述了面临的安全与隐私的挑战。

在这里插入图片描述

隐私侵犯程度探测工具 ProPILE, NeurIPS 2023

针对LLM的复合式后门攻击:Composite Backdoor Attacks Against Large Language Models, arXiv 2024.

神经网络后门的检测与利用 —— 陈恺

从 Neural Cleanse, S&P 2019 出发,提出模型后门新型检测方法 Neural Sanitizer, TIFS 2024

基于深度学习的侧信道分析 —— 沈剑

侧信道分析这个概念不太了解,报告上说是衡量密码技术的绝对安全。POI(Point of Interest)概念出现。


学术报告 * 10场

基于语义解耦的AI生成图像取证技术研究 —— 丁峰,南昌大学

主要讲deepfake的,指出不同语义的伪程度(含伪量)不尽相同

非凸优化的定性分析 —— 李晓龙,北交大

太高深了,没怎么听懂……

对抗性取证 —— 王金伟,南信大

主动对抗性取证

  • 基于优化式攻击的对抗可见水印技术,JISA 2024
  • 基于AWFM框架的不可见对抗水印技术,TOMM 2024

PS:可以通过 Grad-CAM 查找嵌入位置

文本内容安全 —— 刘玉玲,湖南大学

刘老师分享了一些智慧政务,智慧城市,智慧司法的相关工作,挺有意思的

浅谈融合密码技术的人工智能模型版权保护研究 —— 杨文元,中山大学

杨老师报告内容基本围绕联邦学习场景。

水印的作用:1)版权验证;2)访问控制

  • 版权验证:基于零知证明的联邦学习所有权认证,arXiv 2023,

Zero Knowledge:知道有版权,但是不知道版权是什么。

  • 访问控制:
    • Passport(NeurIPS 2019);
    • FedIPR(TPAMI 2023)
    • FedSOV(arXiv 2023)

避免节点之间的水印冲突;秘密信息互斥;分级授权的概念

生成模型性能无损水印技术 —— 陈可江

当可证安全隐写遇上生成模型:
在这里插入图片描述

  • Provably Secure Generative Steganography Based on Autoregressive Model(IWDW 2018)
  • Distribution-Preserving Steganography Based on Text-to-Speech Generative Models(TDSC 2021)
  • Performance-lossless Black-box Model Watermarkin(arXiv 2023)

陈老师还讲了一些模型水印相关工作,比如 Stable Signature(ICCV 2023),TreeRing(NIPS 2023),以及他们组做的 Gaussian Shading(CVPR 2024)……

其他报告因为时间原因没有来得及听:

  • 无监督范式下的深度伪造人脸检测 —— 乔通,杭州电子科技大学
  • 迈向可信赖的人脸生理感知和安全系统 —— 余梓彤,大湾区大学
  • 音频主动标识和被动取证研究 —— 苏兆品,合肥工业大学
  • 图像隐写与取证的新进展 —— 李伟祥,深圳大学

后记:去年同时期参会的时候还处于懵懵懂懂的状态,换方向之后积累了研究基础,数场报告听下来收获更大。个人感觉,还是要有一定的学术积淀再去听报告……不然更多是浪费时间。(当然,如果是为了去Social,则另当别论)

这篇关于参会记录|全国多媒体取证暨第三届多媒体智能安全学术研讨会(MAS‘2024)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/908012

相关文章

51单片机学习记录———定时器

文章目录 前言一、定时器介绍二、STC89C52定时器资源三、定时器框图四、定时器模式五、定时器相关寄存器六、定时器练习 前言 一个学习嵌入式的小白~ 有问题评论区或私信指出~ 提示:以下是本篇文章正文内容,下面案例可供参考 一、定时器介绍 定时器介绍:51单片机的定时器属于单片机的内部资源,其电路的连接和运转均在单片机内部完成。 定时器作用: 1.用于计数系统,可

Javascript高级程序设计(第四版)--学习记录之变量、内存

原始值与引用值 原始值:简单的数据即基础数据类型,按值访问。 引用值:由多个值构成的对象即复杂数据类型,按引用访问。 动态属性 对于引用值而言,可以随时添加、修改和删除其属性和方法。 let person = new Object();person.name = 'Jason';person.age = 42;console.log(person.name,person.age);//'J

vcpkg安装opencv中的特殊问题记录(无法找到opencv_corexd.dll)

我是按照网上的vcpkg安装opencv方法进行的(比如这篇:从0开始在visual studio上安装opencv(超详细,针对小白)),但是中间出现了一些别人没有遇到的问题,虽然原因没有找到,但是本人给出一些暂时的解决办法: 问题1: 我在安装库命令行使用的是 .\vcpkg.exe install opencv 我的电脑是x64,vcpkg在这条命令后默认下载的也是opencv2:x6

创新、引领、发展——SAMPE中国2024年会在京盛大开幕

绿树阴浓夏日长,在这个色彩缤纷的季节,SAMPE中国2024年会暨第十九届国际先进复合材料制品原材料、工装及工程应用展览会在中国国际展览中心(北京朝阳馆)隆重开幕。新老朋友共聚一堂,把酒话桑麻。 为期4天的国际学术会议以“先进复合材料,引领产业创新与可持续化发展”为主题,设立了34个主题分会场,其中包括了可持续化会场、国际大学生会场、中法复合材料制造技术峰会三个国际会场和女科技工作者委员会沙龙,

记录AS混淆代码模板

开启混淆得先在build.gradle文件中把 minifyEnabled false改成true,以及shrinkResources true//去除无用的resource文件 这些是写在proguard-rules.pro文件内的 指定代码的压缩级别 -optimizationpasses 5 包明不混合大小写 -dontusemixedcaseclassnames 不去忽略非公共

数控系统资料记录

数控技术:数控系统刀补功能的软件实现及其仿真--数控仿真程序开发实战 https://github.com/mai4567/CNC 下载编译报错:error: src/dxflib.a: 没有那个文件或目录: 解决:下载dxflibhttps://www.ribbonsoft.com/en/dxflib-downloads,下载完后编译,编译后得到libdxflib.a,替换掉项目makefi

智能客服到个人助理,国内AI大模型如何改变我们的生活?

引言 随着人工智能(AI)技术的高速发展,AI大模型越来越多地出现在我们的日常生活和工作中。国内的AI大模型在过去几年里取得了显著的进展,不少独创的技术点和实际应用令人瞩目。 那么,国内的AI大模型有哪些独创的技术点?它们在实际应用中又有哪些出色表现呢?此外,普通人又该如何利用这些大模型提升工作和生活的质量和效率呢?本文将为你一一解析。 一、国内AI大模型的独创技术点 多模态学习 多

pixel_link记录

export PYTHONPATH=/path2to/pixel_link/pylib/src:$PYTHONPATH   https://blog.csdn.net/northeastsqure/article/details/83655200   https://blog.csdn.net/u011440558/article/details/78606662   报错: All

9 个 GraphQL 安全最佳实践

GraphQL 已被最大的平台采用 - Facebook、Twitter、Github、Pinterest、Walmart - 这些大公司不能在安全性上妥协。但是,尽管 GraphQL 可以成为您的 API 的非常安全的选项,但它并不是开箱即用的。事实恰恰相反:即使是最新手的黑客,所有大门都是敞开的。此外,GraphQL 有自己的一套注意事项,因此如果您来自 REST,您可能会错过一些重要步骤!

基于 Java 实现的智能客服聊天工具模拟场景

服务端代码 import java.io.BufferedReader;import java.io.IOException;import java.io.InputStreamReader;import java.io.PrintWriter;import java.net.ServerSocket;import java.net.Socket;public class Serv