一般的人工智能算法，都是在干净的数据集上做学习和优化。在现实中的工业应用场景中存在大量弱监督的情况，即标签缺失（无监督、半监督）、标签错误（错监督）的情况。我们在第一个章节，简单介绍一下我们vivo ai lab两篇AAAI2021关于弱监督带噪学习的工作；并在第二章介绍一下我们的工作在内容审核业务下的工业级应用。
本着“摸着鹰酱过河”的思路，对现有的几个安全分析框架和模型规范中与Course of Action应对措施相关的内容进行系统性分析和梳理，希望能对从事自动化响应处置、智能运营相关工作的同行有一些帮助和启发。其中，将ATT&CK框架中的Mitigation缓解措施、MITRE的Shield框架中的Active Defense主动防御、STIX模型中的Course of Action应对措施、IACD编排模型中的功能和能力、RE&CT框架中的Incident Response应急响应等内容都纳入Course of Action应对措施的范畴。
由于偏差对广告系统和推荐系统的生态有着极大的影响，针对消除偏差的研究工作也在不断增加。比如国际信息检索会议SIGIR在2018年和2020年组织了一些关注于消除偏差主题的专门会议，同时也给一些基于偏差和公平性的论文颁发了最佳论文奖（Best Paper）。KDD Cup 2020的其中一个赛道也基于电子商务推荐中的流行度偏差进行开展。
从 PC 时代、移动时代到万物互联的 IoT 时代，伴随终端设备的日趋多样化，跨端复用的种子自此落地，开始生根发芽。从业务角度出发，跨端技术演进更多是在不同阶段、不同时间段内业务效率上的选择，美团民宿业务在大前端融合的浪潮中逐浪前行，不断探索和迭代抉择，为解决业务痛点而孵化出跨端框架技术，在这个过程中，我们进行了很多的探索和实践的思考，希望能给大家一些启发。本文主要分享美团民宿在跨端复用技术探索和业务实践过程中的经验。
谢谢！
