論文の概要: A Spectral View of Adversarially Robust Features
- arxiv url: http://arxiv.org/abs/1811.06609v2
- Date: Sun, 25 Aug 2024 22:14:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-29 21:54:22.939213
- Title: A Spectral View of Adversarially Robust Features
- Title（参考訳）: 可逆的ロバスト特徴のスペクトルビュー
- Authors: Shivam Garg, Vatsal Sharan, Brian Hu Zhang, Gregory Valiant,
- Abstract要約: データセットと関心の指標が与えられた場合、目的は1)逆の摂動に対して堅牢な関数を返却することであり、2)データポイント間で大きな変動がある。
我々は、逆向きの頑健な特徴と、データセットの幾何学と興味の計量の自然なスペクトル特性とを強く結び付ける。
- 参考スコア（独自算出の注目度）: 20.60827701664712
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Given the apparent difficulty of learning models that are robust to adversarial perturbations, we propose tackling the simpler problem of developing adversarially robust features. Specifically, given a dataset and metric of interest, the goal is to return a function (or multiple functions) that 1) is robust to adversarial perturbations, and 2) has significant variation across the datapoints. We establish strong connections between adversarially robust features and a natural spectral property of the geometry of the dataset and metric of interest. This connection can be leveraged to provide both robust features, and a lower bound on the robustness of any function that has significant variance across the dataset. Finally, we provide empirical evidence that the adversarially robust features given by this spectral approach can be fruitfully leveraged to learn a robust (and accurate) model.
- Abstract（参考訳）: 対向的摂動に頑健な学習モデルの難しさを考慮し、対向的頑健な特徴を開発するための単純な問題に取り組むことを提案する。
具体的には、データセットと関心の指標が与えられたら、その目的は、関数(または複数の関数)を返すことである。
1)敵の摂動に頑健で、
2) データポイント間で大きなバリエーションがある。
我々は、逆向きの頑健な特徴と、データセットの幾何学と興味の計量の自然なスペクトル特性とを強く結び付ける。
この接続はロバストな機能と、データセット間で大きなばらつきを持つ関数のロバスト性の両方を提供するために利用することができる。
最後に、このスペクトルアプローチによって得られる逆向きに頑健な特徴が実りよく活用され、頑健な(かつ正確な)モデルを学ぶことができるという実証的な証拠を提供する。
関連論文リスト
- Rigorous Probabilistic Guarantees for Robust Counterfactual Explanations [80.86128012438834]
モデルシフトに対する反ファクトの堅牢性を計算することはNP完全であることを示す。
本稿では,頑健性の厳密な推定を高い保証で実現する新しい確率論的手法を提案する。
論文 参考訳（メタデータ） (2024-07-10T09:13:11Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Interpretability with full complexity by constraining feature
information [1.52292571922932]
解釈可能性(Interpretability)は、機械学習の課題だ。
我々は、新しい角度から解釈可能性にアプローチする:モデルの複雑さを制限することなく、特徴に関する情報を制約する。
近似モデルのスペクトルから洞察を抽出する枠組みを開発する。
論文 参考訳（メタデータ） (2022-11-30T18:59:01Z) - Towards Robust Dataset Learning [90.2590325441068]
本稿では,頑健なデータセット学習問題を定式化するための三段階最適化法を提案する。
ロバストな特徴と非ロバストな特徴を特徴付ける抽象モデルの下で,提案手法はロバストなデータセットを確実に学習する。
論文 参考訳（メタデータ） (2022-11-19T17:06:10Z) - Robust Direct Learning for Causal Data Fusion [14.462235940634969]
我々は、他のニュアンス関数から処理効果を分離するマルチソースデータを統合するためのフレームワークを提供する。
また,半パラメトリック効率理論の理論的洞察に基づく因果情報認識重み付け関数を提案する。
論文 参考訳（メタデータ） (2022-11-01T03:33:22Z) - Architectural Optimization and Feature Learning for High-Dimensional
Time Series Datasets [0.7388859384645262]
重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。
従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
論文 参考訳（メタデータ） (2022-02-27T23:41:23Z) - Clustering Effect of (Linearized) Adversarial Robust Models [60.25668525218051]
本稿では, 敵の強靭性に対する新たな理解を提案し, ドメイン適応や頑健性向上といったタスクに適用する。
提案したクラスタリング戦略の合理性と優越性を実験的に評価した。
論文 参考訳（メタデータ） (2021-11-25T05:51:03Z) - Adversarial Robustness under Long-Tailed Distribution [93.50792075460336]
敵対的ロバスト性はディープネットワークの脆弱性と本質的特徴を明らかにすることで近年広く研究されている。
本研究では,長尾分布下における敵対的脆弱性と防御について検討する。
我々は、スケール不変とデータ再分散という2つの専用モジュールからなるクリーンで効果的なフレームワークであるRoBalを提案する。
論文 参考訳（メタデータ） (2021-04-06T17:53:08Z) - Learning Causal Models Online [103.87959747047158]
予測モデルは、予測を行うためにデータの急激な相関に依存することができる。
強い一般化を達成するための一つの解決策は、モデルに因果構造を組み込むことである。
本稿では,突発的特徴を継続的に検出・除去するオンラインアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-06-12T20:49:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。