• 对说话人识别系统进行后门攻击
o 设计了一个白盒后门攻击系统，使用 VoxCeleb1 数据集和数据污染，攻击基于 ResNet-34 的说话人识别 系统和开源说话人识别平台 Kaldi。这是首个全面攻击说话人识别系统的工作。
o 设计了两个常见说话人识别任务的数字和物理后门攻击:说话人验证任务和闭集说话人识别任务。 o 在这两个任务上实现了 89%以上的数字攻击成功率和 70%以上的物理攻击成功率(ISPEC 2022, Long
paper)。
• 通过文本数据增强以提升 NLP 模型的性能
o 通过创建同义词和反义词样本以及特征空间优化来微调RoBERTa。在文本分类任务中比基准RoBERTa 模型准确率提高了约 5.4%，在文本相似性任务中达到了约 0.907 的皮尔逊积矩相关系数。
o 使用数据增强方法将SQuAD问答数据集转换为掩码语言模型数据集，以丰富域外数据的代表性， 并微调了 Hugging Face DistilBERT 模型，将其问答性能提高了约 3.3% (基于 F1 分数)。
o 对Covid19推文文本进行数据增强以预测转推次数，在LSTM-GRU上实现了约149的平均绝对误 差(Kaggle Best Performance 127)，在情感分析任务上的分类准确率达到约 93.7%。