抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
機械学習モデルの敵対的リスクは広く研究されている。ほとんどの以前の研究は,データが全環境空間にあると仮定する。著者らは,新しい角度を取り上げ,多様体仮定を考慮に入れることを提案した。データが多様体にあると仮定して,著者らは,2つの新型の敵対的リスク,正常方向に沿った摂動による正常な敵対リスク,および多様体内の摂動による多様体内広告リスクを調査した。古典的敵対的リスクは,正常および多様体の敵対リスクを用いて両側から有界であることを証明する。また,正常および多様体リスクがゼロである場合でも,標準敵対リスクがゼロでないという驚くべき p観的事例を示した。本論文を,著者らの理論結果を支持する経験的研究と共に最終化した。著者らの結果は,通常の敵対リスクに焦点を当てるだけで,分類器のロバスト性を改善する可能性を示唆した。【JST・京大機械翻訳】