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。
データにおける小さな摂動が主要な性能劣化をもたらすという事実により,敵対的用例は最近,機械学習の分野でかなりの注目を集めている。この現象は,通常,あるノルムで有界のような制約された方法でデータに摂動を適用できる悪意のある敵対によってモデル化される。本論文では,敵対がl_0ノルムによって制約される場合,この問題を研究した。即ち,それは入力において一定の数の座標を摂動できるが,どれくらいの座標を摂動できるかは限らない。この設定のコンビナトリアル性質のため,この問題に取り組むためにロバスト機械学習における標準技術を超える必要がある。真のラベルの雑音の多いデータサンプルが敵対的摂動後に著者らに提供される二値分類シナリオを考察した。打ち切りと呼ばれる非線形成分を用いる分類法を導入し,敵対が√d以上のデータサンプルよりも摂動されない限り,漸近的シナリオで示すように,著者らは敵対がないときに最適分類誤差をほとんど達成することができ,即ち,敵対効果を完全に中和できる。驚くべきことに,著者らは,逆議論を用いて,著者らは,敵対が√d座標以上を摂動できるならば,分類器がランダム推定よりも良いことができないことを示した。【JST・京大機械翻訳】