Ngày 18/6/2024, Trường CNTT&TT hân hạnh đón tiếp TS. Nguyễn Hồng Thanh của Đại học Oregon, Hoa Kỳ tại “Lunch Seminar” tháng 6 của Trường.
Với bài trình bày có tiêu đề “Ra quyết định dựa trên dữ liệu trong môi trường đối nghịch: thách thức và ứng dụng”, TS. Thanh đã mang đến cho người tham gia hướng tiếp cận mới mà nhóm nghiên cứu của cô đã đề xuất phục vụ trong các ứng dụng thực tế trong lĩnh vực bảo vệ động vật hoang dã và sức khỏe cộng đồng tại Mỹ cũng như các nước Đông Nam Á. Các ứng dụng này đòi hỏi phải tạo ra các mô hình AI có sự kết hợp cả học máy (machine learning) và lập kế hoạch (planning) cho một tác tử (hoặc một nhóm tác tử) khi tương tác với các đối thủ trong môi trường đa tác tử (multi-agent environments). Trong bối cảnh phức tạp như vậy, điều quan trọng là phải dự đoán hành vi chiến lược của đối thủ cũng như lường trước sự can thiệp thao túng của đối thủ có thể làm suy giảm kết quả học máy và chất lượng của việc quyết định của các tác tử phía chúng ta.
Tại buổi seminar, TS. Thanh đã trình bày về những thách thức trong việc xây dựng các mô hình dự đoán hành vi của đối thủ và tính bảo mật của học máy trong môi trường cạnh tranh đa tác tử phụ thuộc vào dữ liệu. Cô cũng đã giới thiệu về một số khái niệm cơ bản về các kỹ thuật trong học tăng cường, lý thuyết trò chơi và tối ưu hóa mà nhóm đã sử dụng trong mô hình của mình.
Buổi seminar khoa học đã thu hút được nhiều giảng viên, học viên cũng như sinh viên của Trường tham dự. Buổi seminar cũng đồng thời được livestream trên Fanpage của Trường Công nghệ Thông tin và Truyền thông.
Thông tin bài trình bày
Title: Data-Driven Decision Making in Adversarial Environments: Challenges and Applications
Abstract:
Many real-world problems require the creation of robust AI models that include both learning and planning for an agent (or a team of agents) in interaction with adversaries in a multi-agent environment. In such a complex setting, it is important to predict strategic behavior of the adversaries, as well as to anticipate potential adversarial manipulations that could deteriorate the learning outcomes and the decision quality of our agents. In this talk, I will discuss the challenges of modeling adversaries’ decision making and the security of machine learning in data-driven multi-agent competitive environments. I will present our algorithms to address these challenges that explore techniques in reinforcement learning, game theory, and optimization research. In addition, I will introduce some of the real-world applications of our algorithms in the domains of wildlife protection and public health.