Grant: Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives
University of Guelph
$263,793.00
An empirical framework for robust machine learning systems and its application in AI for logistics
EF 2022-23 · 2023-03-30
Résumé
Machine Learning (ML) technologies have been widely adopted in many
mission-critical fields to support intelligent decision-making with superior
performance. With the success of these new technologies, the application of
ML introduces novel and significant threats to AI-powered systems.
Policymakers around the world have made a number of ongoing efforts on
regulation enactment to enforce and normalize AI cybersecurity and privacy.
It is essential to ensure that ML systems can achieve regulatory compliance
and satisfy the standard requirements.
This project will focus on developing a taxonomy of state-of-the-art ML
offensive/defensive technologies based on a comprehensive literature
review, including a collection of open-source adversarial challenges and
defense utilities; devising efficient security and privacy defense mechanisms
against the threats faced in the ML model training and prediction phase; and
developing an empirical framework consisting of a toolset of best practices
that can be leveraged to enable robust ML application development and
deployment.
Ministère
Programme
Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives
Bénéficiaire
Emplacement
Guelph|Guelph, Ontario, Canada
Type de bénéficiaire
Academia
Numéro d'entreprise
108161829
Type
Grant
Source
Proactive Disclosure - Grants and Contributions
Modifications
Chaque version de l'entente telle que publiée, de la plus ancienne à la plus récente, avec son total à cette version. Le montant ci-dessus est le plus récent.
| Modification | Date | Exercice financier | Total |
|---|---|---|---|
| 0 | 2023-03-30 | 2022-23 | $401,293.00 |
| 1 | 2023-03-30 | 2022-23 | $263,793.00 |
Tel que publié
Additional Information
This agreement has been amended 1 time(s). The total amended value is $263,793.
Additional Information (French)
Cet accord a été modifié 1 fois. La valeur totale des modifications est de $263,793. dollars.
Agreement End Date
2026-03-31
Agreement Number
1000536
Agreement Start Date
2023-03-30
Agreement Title
An empirical framework for robust machine learning systems and its application in AI for logistics
Agreement Title (French)
Un cadre empirique pour les systèmes robustes d’apprentissage automatique et son application dans L’IA au service de la logistique (AI4L).
Agreement Type
Grant
Agreement Value
$263,793.00
Amendment Date
2025-02-07
Amendment Number
1
Description
Machine Learning (ML) technologies have been widely adopted in many
mission-critical fields to support intelligent decision-making with superior
performance. With the success of these new technologies, the application of
ML introduces novel and significant threats to AI-powered systems.
Policymakers around the world have made a number of ongoing efforts on
regulation enactment to enforce and normalize AI cybersecurity and privacy.
It is essential to ensure that ML systems can achieve regulatory compliance
and satisfy the standard requirements.
This project will focus on developing a taxonomy of state-of-the-art ML
offensive/defensive technologies based on a comprehensive literature
review, including a collection of open-source adversarial challenges and
defense utilities; devising efficient security and privacy defense mechanisms
against the threats faced in the ML model training and prediction phase; and
developing an empirical framework consisting of a toolset of best practices
that can be leveraged to enable robust ML application development and
deployment.
Description (French)
Les technologies d’apprentissage automatique ont été largement adoptées dans de nombreux domaines critiques afin de soutenir la prise de décision intelligente avec des performances supérieures. Avec le succès de ces nouvelles technologies, l’application du langage machine introduit des menaces nouvelles et appréciables pour les systèmes alimentés par l’IA. Les décideurs politiques du monde entier ont déployé des efforts pour promulguer des réglementations en vue de renforcer et de normaliser la cybersécurité et la protection de la vie privée dans le domaine de l’IA. Il est essentiel de veiller à ce que les systèmes d’intelligence artificielle puissent se conformer à la réglementation et satisfaire aux exigences standard. Ce projet se concentrera sur le développement d’une taxonomie des technologies offensives et défensives de pointe en matière d’intelligence artificielle, basée sur une analyse exhaustive de la littérature, y compris une collection de défis adverses et d’utilitaires de défense en source ouverte; sur la conception de mécanismes efficaces de défense de la sécurité et de la vie privée contre les menaces rencontrées dans la phase d’entraînement et de prédiction du modèle d’intelligence artificielle; et sur le développement d’un cadre empirique composé d’un ensemble d’outils de meilleures pratiques qui peuvent être utilisés pour permettre le développement et le déploiement d’applications d’intelligence artificielle robustes.
Expected Results
In the short term, anticipated outcomes will be strengthened collaborations across industry, academia, and government to support research excellence. In the medium term, anticipated outcomes will be the development of new and potentially disruptive technologies with collaborators. In the long term, find collaborative solutions to public policy challenges and create stronger innovation systems.
Expected Results (French)
À court terme, les résultats prévus seront des collaborations renforcées entre l'industrie, le milieu universitaire et le gouvernement pour soutenir l'excellence en recherche. À moyen terme, les résultats attendus seront le développement de nouvelles technologies potentiellement perturbatrices avec des collaborateurs. À long terme, trouver des solutions collaboratives aux défis des politiques publiques et créer des systèmes d'innovation plus solides.
Federal Riding
Guelph
Federal Riding (French)
Guelph
Federal Riding Number
35033
NAICS Code
541710
Organization Code
nrc-cnrc
Organization
National Research Council Canada | Conseil national de recherches Canada
Program Name
Collaborative Science, Technology and Innovation Program - Collaborative R&D Initiatives
Program Name (French)
Programme de collaboration en science, en technologie et en innovation - Initiatives de collaboration en R-D
Program Purpose
Collaborate on multiparty research and development programs to catalyze transformative, high-risk, high-reward research with the potential for game-changing scientific discoveries and technological breakthroughs in priority areas.
Program Purpose (French)
Collaborer à des programmes multipartites de recherche-développement dans le but de profiter de la synergie entre la recherche transformatrice à haut risque et à haut rendement et le potentiel de découvertes scientifiques et de percées technologiques révolutionnaires dans des secteurs d’intervention prioritaires.
Recipient Business Number
108161829
Recipient City
Guelph|Guelph
Recipient Country
CA
Recipient Legal Name
University of Guelph
Recipient Postal Code
N1G 2W1
Recipient Province or Territory
ON
Recipient Type
S
Reference Number
172-2022-2023-Q4-1000536