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：grfeng@shu.edu.cn
李晟，复旦大学，中国，邮箱：lisheng@fudan.edu.cn
赵健，北方电子设备研究所，中国，邮箱：zhaojian90@u.nus.edu
王正，东京大学，日本，邮箱：wangz@g.ecc.u-tokyo.ac.jp
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！
