【学术会议征稿-第二届生成式人工智能与信息安全学术会议（GAIIS 2025）】人工智能与信息安全的魅力
重要信息
时间：2025年2月21日-23日
地点：中国杭州
官网：http://www.ic-gaiis.org
简介
2025年第二届生成式人工智能与信息安全将于 2025年2月21日-23日在中国杭州举行。主要围绕“生成式人工智能与信息安全”的最新研究展开，紧密聚焦AI的热点和难点问题，深入剖析信息安全核心技术。
生成式人工智能与信息安全的关系主要体现在以下几个方面：
-
数据安全：生成式人工智能通常需要大量的训练数据，这些数据可能包含敏感信息。确保这些数据在收集、存储和传输过程中的安全是关键。
-
知识产权保护：生成式人工智能创作的作品可能侵犯他人的知识产权。因此，对人工智能生成内容的版权和知识产权保护需要明确规范。
-
隐私保护：人工智能可能用于分析个人数据，采集过程中需要遵循隐私保护原则，防止数据泄露。
-
防范恶意利用：生成式人工智能也可能被用于生成虚假信息、网络攻击等恶意行为，需要采取措施防范。
主席
Prof. Dong Xu, University of Missouri-Columbia, USA (AAAS Fellow, AIMBE Fellow) (H-index: 84)
姚信威教授，浙江工业大学
程序委员会主席
吴小俊教授，江南大学 (H-index: 64)
Prof. Azlan Mohd Zain, Universiti Teknologi Malaysia, Malaysia (H-index: 38)
陈志奎教授，大连理工大学 (H-index: 34)
Prof. J.M.Corchado, University of Salamanca, Spain (H-index: 112)
出版主席
Prof. Nagaraja G.S, RV College of Engineering, India（IEEE Senior Member）
宣传主席
陈雷 副教授，山东大学
|
| 张磊教授，重庆大学（国家级青年人才，IEEE Senior Member，H-index:71） 张磊，重庆大学微电子与通信工程学院教授，博士生导师，国家级高层次青年人才，人社部第三批香江学者计划入选者，重庆市杰出青年科学基金获得者，重庆市高层次人才特殊支持计划入选者，入选斯坦福大学发布的全球前2%顶尖科学家“终身科学影响力”、“年度科学影响力”双榜单。主要研究多模态人工智能、计算机视觉、鲁棒机器学习、大模型高效迁移、视觉-语言大模型等。承担了国家自然科学基金委等项目课题20余项，发表学术论文160余篇，ESI全球前1%高被引论文10篇，出版学术专著1部，谷歌学术显示引用过万次，发明专利近20项。获得吴文俊人工智能自然科学奖、吴文俊人工智能优秀青年奖等奖项。目前是IEEE 高级会员、中国计算机学会（CCF）杰出会员，担任国内外多个期刊编委 |
| Prof. Azlan Mohd Zain, Universiti Teknologi Malaysia, Malaysia（H-index: 38） Azlan Mohd Zain目前是马来西亚理工大学计算学院工程学院的教授。他也是马来西亚理工大学大数据研究中心的主任。作为一名学术人员，他成功指导了25多名研究生，并获得了20多项研究资助，以支持研究生。他发表了100多篇研究论文。他曾受邀在五次以上的国际会议上担任主旨发言人，在多个委员会任职，并在三种国际期刊的编委会任职。 | |
| 胡亮教授，同济大学 胡亮，同济大学计算机科学与技术学院，教授，博导。上海海外 高层次人才，国家海 外 高层次青年人才。研究领域包括机器学习、推荐系统、人机协同、数据科学、隐私计算，以及跨学科交叉融合的新一代智能技术。发表超过100篇高水平学术论文，包括WWW、IJCAI、AAAI、ICDM、TOIS、TKDE、NeurIPS、ICML等。在众多高水平人工智能国际会议（IJCAI、AAAI、ICDM、CIKM、KDD、CVPR等）担任程序委员会委员，并担任十余个著名人工智能和数据科学相关的国际期刊的审稿人，包括ACM CSUR、IEEE TKDE、ACM TOIS、IEEE TPAMI等。以联席主席身份在IEEE ICDM、DSAA等多个著名国际学术会议上组织了关于人工智能、神经网络和推荐系统的多个研讨会和特别专题在IJCAI、AAAI、KDD、SIGIR、ICDM、WWW等多个顶级人工智能及数据科学会议上，进行了近10个关于智能推荐系统的专题报告（Tutorial）。主持和参与多项国家级科研项目。 |
期刊名称：Human-Centric Intelligent Systems (HCIN)
期刊简介：Human-Centric Intelligent Systems（HCIN） 是一本完全开放获取的国际期刊，致力于传播关于以人为本的智能系统的最新研究成果，涵盖其所有理论和实践应用，同时提供关于以人为本计算和分析的前沿理论与算法见解。
范围：以人为本的 AI；以人为本的数据和管理；信息传播和建模；扩散源识别和网络分析；社会影响力分析；社区检测和动态、虚假信息和错误信息检测；用户建模、个性化和推荐；负责任的 AI、公平性和可解释性。
主题
深度学习
自然语言处理
算法应用
计算机视觉
视觉识别
模式识别
强化学习
生成对抗网络
生成建模技术
语言预训练
视觉预训练
联合预训练
自回归模型
生成式人工智能的合法使用
信息和隐私保护
入侵检测技术
安全检测和监控技术
解密和加密技术
其他信息见官网
名词解释
生成式人工智能（Generative AI）与信息安全之间的关系和影响是当前技术领域一个热点话题。生成式AI主要是指能够生成新的数据（如文本、图像、音频等）的人工智能技术，最著名的例子包括像我这样的语言模型（如GPT系列）和图像生成模型（如DALL·E）。这些技术有很多应用场景，包括内容创作、数据增强、自动化等，但它们也带来了新的信息安全挑战和风险。
1. 生成式AI的潜在安全风险
生成式AI可能带来一些信息安全问题，主要包括：
- 假新闻和虚假信息：生成式AI可以用来自动生成文本、文章或社交媒体内容，这些内容可能被用来传播虚假信息、政治宣传或误导性新闻，从而对公众舆论、政治稳定或社会信任构成威胁。
- 深度伪造（Deepfake）：生成式AI可以用来创造高度逼真的虚假图像、视频或声音。例如，AI可以合成某个名人的假视频，甚至模仿其声音。这些技术可能被用于诈骗、勒索、恶意攻击等。
- 网络钓鱼攻击：生成式AI可以被用来创建看起来非常真实的钓鱼邮件或假冒网站，诱使受害者透露敏感信息（如银行账户、密码等）。
- 自动化恶意代码生成：黑客可能利用生成式AI自动编写恶意代码或攻击脚本，从而降低攻击的难度并提高攻击效率。这可能导致更多的零日漏洞被利用，甚至出现更复杂、难以检测的攻击方式。
2. 生成式AI对信息安全的积极影响
尽管存在风险，生成式AI也可以在信息安全领域发挥积极作用：
- 增强检测和防御：生成式AI可以帮助创建更强大的入侵检测系统（IDS）和防火墙。例如，AI可以生成模拟的攻击流量，用于测试网络防御系统的漏洞，提升对新型攻击的防范能力。
- 自动化安全报告生成：生成式AI可以自动化生成安全报告和漏洞分析，帮助安全团队快速识别系统中的潜在问题，减少人工工作量，提高响应速度。
- 恶意代码识别：通过生成与已知恶意软件相似的代码，AI可以帮助开发出更强大的反病毒软件或安全工具，增强对新型恶意软件的识别能力。
3. 信息安全的挑战
由于生成式AI的快速发展，信息安全领域需要重新审视现有的防护措施：
- 合成内容的识别：随着深度伪造技术的进步，如何有效识别生成内容成为一个重要挑战。例如，如何区分真实的图像和AI生成的图像，或如何检测AI生成的虚假文本。
- 隐私问题：生成式AI可能在生成数据时泄露敏感信息。例如，语言模型可能会不小心生成包含私人信息（如姓名、地址、电话等）的文本，这对数据隐私构成风险。
- 技术滥用：与所有新技术一样，生成式AI也有被滥用的风险。需要制定新的法律、道德标准和技术规范，以确保生成式AI不会对社会造成负面影响。
4. 应对策略
为了应对生成式AI带来的信息安全问题，可以采取一些应对策略：
- 加强法规和政策：政府和监管机构需要出台更完善的法律和政策来应对生成式AI带来的新风险，制定关于AI生成内容的透明度要求，防止恶意使用。
- 提升AI安全意识：企业和用户需要增强对生成式AI潜在风险的认识，提高防范意识，加强信息安全教育，识别钓鱼攻击、假新闻等。
- 技术对抗手段：研发针对生成式AI技术的防护技术，例如深度伪造检测、自动化内容验证工具等，帮助组织和用户抵御AI生成的虚假信息和恶意内容。
总之，生成式AI与信息安全密切相关，既带来了新的安全挑战，也提供了新的安全工具和解决方案。随着技术的进一步发展，如何平衡创新与风险将是一个长期且复杂的课题。