許容度を持つ敵対的ロバスト学習【JST・京大機械翻訳】

Ashtiani Hassan; Pathak Vinayak; Urner Ruth

プレプリント

J-GLOBAL ID：202202200475094780 整理番号：22P0297499

許容度を持つ敵対的ロバスト学習【JST・京大機械翻訳】

Adversarially Robust Learning with Tolerance

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2022年03月01日プレプリントサーバーでの情報更新日： 2023年02月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

計量摂動集合に関して,耐性敵対PAC学習の研究を開始した。敵対的PAC学習において,敵対は,xを中心とする半径rの閉球において任意の点を有する試験点xを置き換えることができる。耐性バージョンにおいて,学習者の誤差を,わずかに大きい摂動半径(1+γ)rに関して,最良の達成可能な誤差と比較した。この単純なt弱点は,理論と実践の間のギャップを埋めるのを助け,実際に普及しているアルゴリズム技術に対する最初のPAC型保証を得る。著者らの最初の結果は,二重次元dを有する摂動集合に対する敵対的学習のための広く使用された「当たりと円滑なアプローチに関心があり,著者らは,これらのアプローチの変種が,O(frac{v(1+1/γ) ̄{O(d)})サンプルによるγ耐性敵対設定において,VC次元vを有する仮説クラスHを,任意の仮説クラスHに,与えることを示した。これは,従来の(非耐性)設定と対照的であり,ここで示すように,摂動および平滑アプローチは,おそらく失敗した。第二の結果は,1つが,診断的設定でもO(d.vlog(1+1/γ)/ε ̄2)サンプルを用いて同じクラスをPAC-学習できることを示した。この結果は新しい圧縮ベースアルゴリズムに基づいており,VC次元と同様に倍加次元に対する線形依存性を達成した。これは,VC次元に多項式に依存する既知のサンプル複雑性上限がない非耐性設定と対照的である。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , データ保護

, , ,

前のページに戻る