2024年11月27日，奥克兰大学丁妮博士应安博平台邀请，在中心教学楼举分别作题为“隐私泄露与机器学习中的Rényi度量新解释”、“通过Kantorovich最优传输计划实现ε-Pufferfish隐私”的学术讲座,，讲座分别由安博(中国)一站式服务平台礼欣老师、胡晶晶老师主持，语言智能与社会计算研究所和网络攻防对抗研究所相关专业方向师生参加了讲座。

丁妮博士是信息论和机器学习领域的知名学者，其研究工作在国际上享有盛誉。在本次讲座中，丁妮教授深入探讨了Alfrèd Rényi在1961年提出的Rényi熵和Rényi散度的概念，这两种度量方法在信息传输系统中得到了广泛应用。

在“隐私泄露与机器学习中的Rényi度量新解释”讲座报告中，丁妮博士首先回顾了Rényi熵和Rényi散度的定义，随后丁妮教授介绍了通过交叉熵解释Rényi熵的Rényi信息泄露度量方法。她展示了Arimoto互信息作为f-均值泄露度量，用于衡量先验和后验不确定性之间的差异。此外，她还阐述了Rényi散度作为f-均值信息增益，量化了对手方，即另一个Rényi信息泄露度量，对私有数据的信息增益。丁妮教授还讨论了所提出的Rényi度量在生成对抗网络（GANs）和模式识别中的应用。这些应用展示了Rényi度量在现代机器学习技术中的重要性和实用性。

在“通过Kantorovich最优传输计划实现ε-Pufferfish隐私”报告中，丁老师详细介绍了她的最新研究工作，聚焦于“ε-Pufferfish隐私”的理论框架及其实现方法。她首先阐述了Pufferfish隐私相较于传统差分隐私的独特优势，重点探讨了如何通过Laplace机制并结合Kantorovich最优传输计划的灵敏度，实现ε-Pufferfish隐私的保护。丁老师解释道，该方法基于数据统计及系统的先验知识，能够更好地适应复杂场景下的隐私需求。紧接着，丁老师分享了她团队在此基础上的两项研究进展。第一项是通过卷积操作实现对充分条件的松弛，第二项是结合高斯先验分布的假设，进一步优化隐私保护的性能。这些研究成果为ε-Pufferfish隐私的实际应用提供了更加灵活的解决方案，也为学术界和工业界解决隐私保护与数据效用平衡的难题指明了方向。

讲座结束后，在场师生对丁妮教授的精彩演讲表示感谢，并就讲座内容进行深入讨论。现场互动环节气氛热烈，与会者积极提问，丁妮教授耐心解答，进一步加深了听众对Rényi度量在隐私保护和机器学习领域应用、差分隐私的扩展理论等知识的理解。

2场讲座不仅为安博平台师生提供了一个与国际顶尖学者交流的平台，也促进了学术界对信息安全和机器学习前沿问题的关注和研究。安博平台将继续致力于推动跨学科的学术交流，培养具有国际视野的计算机科学与技术专业人才。

附主讲嘉宾简介：

丁妮博士，奥克兰大学讲师，专注于数据和信息隐私领域，具备统计数据科学的扎实背景。2017年获得澳大利亚国立大学电子工程博士学位，新南威尔士大学电信专业和上海第二工业大学计算机应用技术专业的双学士学位，墨尔本大学和CSIRO数据61的博士后研究员。丁妮博士主要研究将先进的隐私保护技术应用于实际数据系统，推动计算效率和数据安全的边界，在隐私-效用权衡、河豚隐私以及信息理论隐私机制方面作出了重要贡献，在顶级期刊和会议上发表了多篇论文。