主题：深度学习模型安全
简介：深度学习已广泛应用于自然语言处理、计算机视觉、数据安全等诸多领域。为学习到有效的深度模型，需花费大量时间和精力来收集数据与分配计算资源。这些模型可能会被非法使用，从而牺牲模型所有者的权益。另一方面，深度学习模型也容易受到对抗样本或毒化数据的攻击。这严重降低了深度学习技术的准确性和可靠性。为此需进行深度学习模型安全研究，保障模型的真实性和可靠性，以抵御各种攻击。该研究还处于起步阶段，虽然已取得了一定进展，但要为基于深度学习的应用开发稳健可靠的模型还远远不够。
本期特刊旨在推动深度学习模型的攻击与防御研究，包括快速对抗样本生成、不可感知数据投毒、精准数据重构、基于深度学习的鲁棒可溯源水印、对抗样本防御等。
相关研究人员可通过原创研究来展示他们的工作。所有提交的论文将经过同行评审，并根据其质量和与本期主题的相关性进行选择。
本期主题包括但不限于：
低复杂度的对抗样本生成压缩多媒体数据的对抗样本生成新兴数据的对抗样本生成不可感知的高效数据投毒精准数据重构鲁棒神经网络水印神经网络指纹神经网络认证与篡改检测对抗训练的有效策略与模型精确对抗样本检测广义鲁棒表示学习的假脸检测重要日期：
投稿截止：2022年6月20日
评审结果反馈：2023年1月31日
客座编辑：
冯国瑞，上海大学，中国，邮箱：[email protected]
李晟，复旦大学，中国，邮箱：[email protected]
赵健，北方电子设备研究所，中国，邮箱：[email protected]
王正，东京大学，日本，邮箱：[email protected]
更多信息请见：
https://www.journals.elsevier.com/pattern-recognition-letters/call-for-
papers/recent-advances-in-deep-learning-model-security
欢迎各界学者踊跃投稿！
