학회 정보

DSML 2018: Dependable and Secure Machine Learning

학회 웹사이트를 보려면 로그인해 주세요
무료 가입으로 공식 사이트 조회, 마감 추적, 이메일 리마인더를 이용할 수 있습니다.
회원가입 로그인
마감 카운트다운 배지 삽입
DSML
이 데이터를 API로 가져오기
검색과 순위 목록은 자격 증명이 전혀 필요 없습니다. 이 페이지의 상세 데이터에는 무료 API 키가 필요합니다. 자세한 내용은 개발자 안내 페이지를 참고하세요.
투고 마감일:
2018-04-01
통보일:
2018-05-01
개최일:
2018-06-25
개최지:
Luxembourg City, Luxembourg
조회: 10944   팔로우: 0   참가: 0

회반 지수 (CP-I)

42.1 / 100
전체 5,646개 중 4,037위 · 상위 72%

보안·프라이버시 분야 357개 중 256위 시스템·아키텍처 분야 341개 중 269위 인공지능·기계학습 분야 733개 중 509위

근거가 제한적입니다: 이 학회는 CCF / ICORE / QUALIS 어디에도 수록되어 있지 않고 게재율 데이터도 없어, 점수의 대부분이 중립 기준값으로 되돌아갑니다.
학술적 인정 (35%) 데이터 없음 — 중립 기준값 50점으로 계산 —
투고 선별성 (20%) 데이터 없음 — 중립 기준값 50점으로 계산 —
개최 횟수 (20%) 데이터 없음 — 중립 기준값 50점으로 계산 —
커뮤니티 관심도 (10%)
8
공개 자료 충실도 (15%)
25

사용한 입력: 지난 24개월 동안 이 페이지를 연 연구자: 2명

공개 자료에서 빠진 항목: 역대 게재율 (+4.5) · 역대 회차 (+3.0) · 최우수 논문 기록 (+2.3)
주최자는 학회를 인증 신청한 뒤 이 페이지에서 바로 추가할 수 있습니다. 점수는 매일 밤 다시 계산됩니다. 이 점수를 올리는 방법

신뢰도 25% — 점수 중 중립 기준값이 아니라 실제 관측된 데이터에 근거한 비율. 이 점수는 어떻게 계산되나 · 전체 순위 보기 · 알고리즘 버전 1.1 · 산출일 2026-08-30

논문 모집

DSML 2018 (Dependable and Secure Machine Learning) is an academic conference held in Luxembourg City, Luxembourg on 2018-06-25. The paper submission deadline is 2018-04-01. Acceptance notifications are sent on 2018-05-01.

Machine learning (ML) is increasingly used in critical domains such as health and wellness, criminal sentencing recommendations, commerce, transportation, human capital management, entertainment, and communication. The design of ML systems has mainly focused on developing models, algorithms, and datasets on which they are trained to demonstrate high accuracy for specific tasks such as object recognition and classification. Machine learning algorithms typically construct a model by training on a labeled training dataset and their performance is assessed based on the accuracy in predicting labels for unseen (but often similar) testing data. This is based on the assumption that the training dataset is representative of the inputs that the system will face in deployment. However, in practice there are a wide variety of unexpected accidental, as well as adversarially-crafted, perturbations on the ML inputs that might lead to violations of this assumption. Further, ML algorithms are often executed on special-purpose hardware accelerators, which may themselves be subject to faults. Thus, there is a growing concern regarding the reliability, safety, security, and accountability of machine learning systems. The DSN Workshop on Dependable and Secure Machine Learning (DSML) is an open forum for researchers, practitioners, and regulatory experts, to present and discuss innovative ideas and practical techniques and tools for producing dependable and secure ML systems. A major goal of the workshop is to draw the attention of the research community to the problem of establishing guarantees of reliability, security, safety, and robustness for systems that incorporate increasingly complex ML models, and to the challenge of determining whether such systems can comply with requirements for safety-critical systems. A further goal is to build a research community at the intersection of machine learning and dependable and secure computing. Topics of Interest Testing, certification, and verification of ML models and algorithms Metrics for benchmarking the robustness of ML systems Adversarial machine learning (attacks and defenses) Resilient and repairable ML models and algorithms Reliability and security of ML architectures, computing platforms, and distributed systems Faults in implementation of ML algorithms and their consequences Dependability of ML accelerators and hardware platforms Safety and societal impact of machine learning
최종 수정: Dou Sun ()

관련 학회

관련 저널

CCF정식 명칭영향력 지수출판사ISSN
BMachine Learning2.9Springer0885-6125
AIEEE Transactions on Dependable and Secure Computing7.5IEEE1545-5971
AIEEE Transactions on Multimedia9.7IEEE1520-9210
CKnowledge-Based Systems7.2Elsevier0950-7051
BSoftware & Systems Modeling3.2Springer1619-1366
AIEEE Transactions on Computers3.8IEEE0018-9340
CFuture Generation Computer Systems5.9Elsevier0167-739X
CNeurocomputing6.5Elsevier0925-2312
CPattern Recognition Letters3.9Elsevier0167-8655
BPattern Recognition7.6Elsevier0031-3203

댓글 0

아직 댓글이 없습니다.

댓글을 작성하려면 로그인해 주세요