ML & Security

Машинное обучение для безопасности и безопасность машинного обучения.

Мир информационной безопасности традиционно борьба “щита и меча”: как только защитился, нужно не забывать, что злоумышленники тоже не сидят на месте и также изучают и используют новомодные техники для достижения своих целей.

В этом году в рамках секции рассмотрим как сторону защиты, так и нападения. Спикеры из Positive Technologies и Kaspersky расскажут как применяют машинное обучения для обеспечение безопасности. Спикер из многообещающего стартапа по защищенности ИИ-сервисов Adversa поделится своим опытом тестирования Facial Recognition систем на безопасность. А в заключении обсудим перспективную тему Federated Learning со спикерами из университетов США и Австрии, риски и атаки.

Для обсуждения оффлайн можно использовать канал в ODS #security

Доклад

Спикер

How to improve SOC analysts efficiency using ML

Daniil Udimov,
Graduated from YSDA in 2016.
Data scientist at Kaspersky since 2018.

Web bot detection and classification

Nikolay Lyfenko,
Machine Learning Engineer at Positive Technologies

Testing Facial Recognition System Security

Alex Polyakov,
CEO Adversa.ai

Federated learning — a step towards privacy-preserving ML. Advantages and challenges of the approach

Anastasia Pustozerova,
Machine Learning Researcher at SBA-research
PhD student at Technical University of Vienna

How to Backdoor Federated learning

Eugene Bagdasaryan,
CS PhD candidate at Cornell Tech working on privacy and security in the context of machine learning systems. He is co-advised by Professors Deborah Estrin and Vitaly Shmatikov.

Track program