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。
機械学習における認証ロバスト性は,データ分布における各点に対する固定攻撃予算による入力の敵対的摂動に主に焦点を合わせている。本研究では,データ分布の有界Wasersteinシフトの下でのモデルの精度に関する証明可能なロバスト性保証を提示した。変換空間内のモデルの入力をランダム化する簡単な手続きが,変換下の分布シフトに対してロバストにロバストであることを示した。このフレームワークは,入力分布における異なる点にわたって,データ固有の摂動サイズを変化することを可能にし,また,固定サイズの摂動を含むために十分一般的である。著者らの証明書は,元の分布の周りのWassersteinボール内の入力分布の任意の(自然または敵対的)シフトに対するモデルの性能に関して保証された下限を生成する。著者らはこの技術を適用した。(i)色シフト,色相シフトおよび輝度と飽和の変化のような画像の自然な(非敵対的)変換に対するロバスト性を証明し,(ii)入力分布の敵対的シフトに対するロバスト性を証明し,(iii)モデル訓練に干渉したいわゆる「非学習」データセット上で訓練されたモデルの性能に関する証明可能な下限(硬度結果)を示した。【JST・京大機械翻訳】