4月18日下午，由人工智能方向联合承办的第四期“研究生顶会论文宣讲报告”（FudanCSF4-TVP）通过腾讯会议成功在线举行。5位硕博士生分享了他们近期录用在ACL2022和CVPR2022等顶级学术会议上的论文成果，吸引了近150位学生积极参与，并与报告同学进行热烈互动。
费子楚同学介绍了一种针对多跳问题生成任务的可控生成框架，多跳问题生成任务由于生成模型的不可控制，导致会生成出简单的单跳问题。该框架引入可控生成技术，通过实体图捕捉关键实体，利用可控生成技术让模型生成包含这些关键实体的问题，从而保证生成问题的复杂度。
王枭同学介绍了一种基于信息论的命名实体识别学习框架去解决未登录实体词的识别问题。该方法将信息瓶颈理论应用于实体识别任务上，并且避免了信息瓶颈理论的缺陷。该方法额外包含两个基于互信息的训练目标，1）泛化信息最大化，目标是强化文本表示中的上下文信息和可泛化的实体特征；2）多余信息最小化，防止模型过度关注实体词本身和训练集中的数据偏见。在多个数据集上的实验结果表明，该方法可以有效提升模型在未登录实体词识别上的泛化性和数据扰动下的鲁棒性。
刘勤同学介绍了一种针对预训练语言模型的鲁棒性提升方法，通过在训练过程中对模型的损失加以约束，能够有效防御各种文本对抗攻击。然而，这一方法依赖于参数的选择，于是进一步提出相关指标来缩小参数搜索范围。该方法并不需要生成额外的对抗样本来训练模型，其时间消耗近似于模型微调，比标准对抗训练快2-15倍，并且显著提高了BERT的防御能力，在各种文本分类和GLUE任务上达到了当前最佳的防御效果。
魏志鹏同学介绍了一种基于图像模型的高迁移视频对抗样本生成方法。具体地，首先针对视频数据在图像和视频模型中特征的余弦相似度进行了分析，并证实了图像和视频模型具有相似的特征空间；其次通过实验表明了对抗噪声可在图像和视频模型间进行迁移。由此，可通过最小化对抗视频帧与干净视频帧在图像模型中的余弦相似度，来生成可成功干扰视频模型预测的视频对抗样本。结果表明，该方法实现了较好的攻击效果，揭示了视频模型易受到来自图像模型介导的对抗攻击的威胁。
王文萱同学介绍了一种在隐私化保护场景下的针对黑盒模型的高效攻击算法，该算法基于知识蒸馏框架以实现替代模型的训练，并借助对抗生成网络的思想实现无真实数据参与下的替代训练样本的生成工作。为了更好地实现针对多样化目标模型和任务的针对性攻击，设计了全新的自适应性动态化结构学习策略，通过自主学习的动态门实现最优替代模型结构的生成工作。此外，引入基于图结构的信息学习策略，激励替代模型从多个目标模型的结构化关系中学习有效知识。在多个数据集上的实验结果证明了该攻击方法的有效性和高效性。
通过本次报告会，同学们了解了人工智能领域的前沿工作，收获满满，大家都期待下次报告会的召开。
