更新:

• (11/13)对研究机会感兴趣的学生可以通过以下方式报名 link.
• (10/31)我们在儿童安置决策中与因果机器学习相关的工作发表了 I2023年欧洲人工智能会议论文集. (ECAI 23) (link)

研究:

在机器学习(ML)系统越来越多地集成到现实世界应用程序的世界中, 确保负责任和值得信赖的行为至关重要. Achieving trustworthiness in ML goes beyond mere accuracy; it encompasses attributes like explainability, 公平, 隐私保护, 因果关系, 和鲁棒性. 这种对可信度的总体追求是可信机器学习领域的特征.

我的研究努力旨在确定同时重视多个可信度属性的应用程序. 我渴望不仅要识别这些复杂的领域，而且要探索潜在的解决方案. 一个有趣的途径在于多视图数据领域, 研究其提高机器学习可信度的潜力. 而多视图数据已被广泛用于性能优化, 在构建值得信赖的机器学习模型方面，它的应用存在明显的差距. 因此, 我的研究旨在深入研究这个有前途的方向, 利用多视图数据的力量，为不同的应用程序创建健壮可靠的机器学习系统.

此外, 我热衷于探索ML模型在决策中的适用性, 特别是在随机对照试验难以实施的情况下. 我的目标是在不同的应用程序中自动化模型的训练和验证, 使各个领域的从业者更容易接触到因果机器学习.

另一个感兴趣的领域是ML的民主化. 我们的愿景是让这项技术广泛普及. 这里的一个关键考虑因素是硬件需求. 我对“微型ML”的研究领域特别感兴趣,，专注于使更小、更简单的模型实现与大型模型相当的性能, 更复杂的模型. 其目的是使机器学习对更广泛的受众更容易访问和可行.

出版物:

• 索Kiani、杰瑞德·巴顿、琳达·海姆巴赫、乔恩·苏金斯基和罗博. 选择性混淆下的反事实预测. I2023年欧洲人工智能会议论文集. (ECAI 23) (link)
• 索Kiani、阿婉萨娜、兰超、李凤君、罗波. 对抗性图像中的两个灵魂:基于多视图不一致性的通用对抗性样本检测. In 2021计算机安全应用年会论文集. (ACSAC 21) (D杰出论文奖) (link)
• 索Kiani李凤军、罗波、阿萨娜、欢军. WOLF:用于恶意软件检测和其他应用程序的自动化机器学习工作流管理框架. In第七届安全科学热点学术研讨会论文集2020. (HotSos 20) (link)
• Ningqing钱, 索Kiani, Bahareh Shakibajahromi. 改进的泊松表面重建与各种被动视觉线索从多个相机视图. I第七届环太平洋地区图像和视频技术研讨会，斯普林格，海德堡2015. (PSIVT 15) (link)