Fugu-MT 論文翻訳(概要): Playing to Learn Better: Repeated Games for Adversarial Learning with Multiple Classifiers

論文の概要: Playing to Learn Better: Repeated Games for Adversarial Learning with Multiple Classifiers

arxiv url: http://arxiv.org/abs/2002.03924v1
Date: Mon, 10 Feb 2020 16:33:42 GMT
ステータス: 処理完了
システム内更新日: 2023-01-02 08:01:13.095926
Title: Playing to Learn Better: Repeated Games for Adversarial Learning with Multiple Classifiers
Title（参考訳）: 学習改善のための遊び方:複数分類器による逆学習のための繰り返しゲーム
Authors: Prithviraj Dasgupta, Joseph B. Collins, Michael McCarrick
Abstract要約: 逆学習環境において,学習者と呼ばれる機械学習アルゴリズムによる予測の問題を考える。本稿では,反復ベイズシーケンスゲーム(Repeated Bayesian Sequential Game)と呼ばれるゲーム理論に基づく手法を提案する。
参考スコア（独自算出の注目度）: 0.5801044612920815
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We consider the problem of prediction by a machine learning algorithm, called learner, within an adversarial learning setting. The learner's task is to correctly predict the class of data passed to it as a query. However, along with queries containing clean data, the learner could also receive malicious or adversarial queries from an adversary. The objective of the adversary is to evade the learner's prediction mechanism by sending adversarial queries that result in erroneous class prediction by the learner, while the learner's objective is to reduce the incorrect prediction of these adversarial queries without degrading the prediction quality of clean queries. We propose a game theory-based technique called a Repeated Bayesian Sequential Game where the learner interacts repeatedly with a model of the adversary using self play to determine the distribution of adversarial versus clean queries. It then strategically selects a classifier from a set of pre-trained classifiers that balances the likelihood of correct prediction for the query along with reducing the costs to use the classifier. We have evaluated our proposed technique using clean and adversarial text data with deep neural network-based classifiers and shown that the learner can select an appropriate classifier that is commensurate with the query type (clean or adversarial) while remaining aware of the cost to use the classifier.
Abstract（参考訳）: 逆学習環境において,学習者と呼ばれる機械学習アルゴリズムによる予測の問題を考える。学習者のタスクは、クエリとして渡されるデータのクラスを正確に予測することである。しかし、クリーンなデータを含むクエリとともに、学習者は敵から悪意のあるあるいは敵対的なクエリを受け取ることもできる。本研究の目的は,学習者による誤ったクラス予測の結果となる逆クエリを送信することにより,学習者の予測メカニズムを回避することであり,学習者の目的は,クリーンなクエリの予測品質を低下させることなく,これらの逆クエリの誤予測を低減することである。本稿では,学習者が自己プレイを用いて敵のモデルと繰り返し対話し,敵とクリーンなクエリの分布を決定する,反復ベイズシーケンスゲーム(Repeated Bayesian Sequential Game)と呼ばれるゲーム理論に基づく手法を提案する。そして、クエリの正しい予測可能性のバランスをとる一連の事前学習された分類器から分類器を戦略的に選択し、分類器を使用するコストを削減します。提案手法は,深層ニューラルネットワークに基づく分類器を用いたクリーンで逆行性のあるテキストデータを用いて評価し,学習者は分類器の使用コストを意識しながら,クエリタイプ(クリーンあるいは逆行)と共用する適切な分類器を選択できることを示した。

関連論文リスト

Bayesian Strategic Classification [11.439576371711711]
戦略分類における学習者による部分的情報公開の研究について検討する。エージェントの操作能力を高めつつも,そのような部分的な情報公開が学習者の正確さにどのように寄与するかを示す。
論文参考訳（メタデータ） (2024-02-13T19:51:49Z)
XAL: EXplainable Active Learning Makes Classifiers Better Low-resource Learners [71.8257151788923]
低リソーステキスト分類のための新しい説明可能なアクティブラーニングフレームワーク(XAL)を提案する。 XALは分類器に対して、推論を正当化し、合理的な説明ができないラベルのないデータを掘り下げることを推奨している。 6つのデータセットの実験では、XALは9つの強いベースラインに対して一貫した改善を達成している。
論文参考訳（メタデータ） (2023-10-09T08:07:04Z)
Learning to Unlearn: Instance-wise Unlearning for Pre-trained Classifiers [71.70205894168039]
そこでは、事前訓練されたモデルからインスタンスのセットに関する情報を削除することを目標としています。本稿では,1)表現レベルでの忘れを克服するために,敵の例を活用すること,2)不必要な情報を伝播するネットワークパラメータをピンポイントする重み付け指標を活用すること,の2つの方法を提案する。
論文参考訳（メタデータ） (2023-01-27T07:53:50Z)
Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。固体アンサンブル分類器を構築するためのプール選択戦略が提示される。我々は異常検出手法の不確実性を利用する。
論文参考訳（メタデータ） (2022-12-23T00:50:41Z)
Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
論文参考訳（メタデータ） (2021-10-22T01:55:01Z)
Scalable Optimal Classifiers for Adversarial Settings under Uncertainty [10.90668635921398]
本稿では,攻撃者に対して目的が不明な攻撃者がクラス-1データを生成する対角的設定において,最適な分類器を見つけることの問題点を考察する。この低次元キャラクタリゼーションにより,ほぼほぼ最適な分類器をスケーラブルに計算する訓練手法が開発可能であることを示す。
論文参考訳（メタデータ） (2021-06-28T13:33:53Z)
Class-Incremental Learning with Generative Classifiers [6.570917734205559]
本稿では,クラス増分学習のための新しい戦略を提案する。本提案は,p(x|y)p(y) として分解された合同分布 p(x,y) を学習し,ベイズ則を用いた分類を行うことである。ここでは,各学習クラスに対して,変分オートエンコーダをトレーニングすることで,この戦略を実証する。
論文参考訳（メタデータ） (2021-04-20T16:26:14Z)
$k$-Neighbor Based Curriculum Sampling for Sequence Prediction [22.631763991832862]
言語モデルにおける多段階予測は、トレーニングとテスト時間プロセスの相違により困難である。教師方針を段階的に変更するカリキュラム学習に基づく手法であるtextitNearest-Neighbor Replacement Samplingを提案する。本研究では, 2つの言語モデリングベンチマークについて報告し, スケジュールされたサンプリングと併用することで, 性能をさらに向上させる方法を提案する。
論文参考訳（メタデータ） (2021-01-22T20:07:29Z)
ATRO: Adversarial Training with a Rejection Option [10.36668157679368]
本稿では, 逆例による性能劣化を軽減するために, 拒否オプション付き分類フレームワークを提案する。分類器と拒否関数を同時に適用することにより、テストデータポイントの分類に自信が不十分な場合に分類を控えることができる。
論文参考訳（メタデータ） (2020-10-24T14:05:03Z)
Network Classifiers Based on Social Learning [71.86764107527812]
空間と時間に対して独立に訓練された分類器を結合する新しい手法を提案する。提案したアーキテクチャは、ラベルのないデータで時間とともに予測性能を改善することができる。この戦略は高い確率で一貫した学習をもたらすことが示され、未訓練の分類器に対して頑健な構造が得られる。
論文参考訳（メタデータ） (2020-10-23T11:18:20Z)
Adversarial Self-Supervised Contrastive Learning [62.17538130778111]
既存の対数学習アプローチは、主にクラスラベルを使用して、誤った予測につながる対数サンプルを生成する。本稿では,未ラベルデータに対する新たな逆攻撃を提案する。これにより,モデルが摂動データサンプルのインスタンスレベルのアイデンティティを混乱させる。ラベル付きデータなしで頑健なニューラルネットワークを逆さまにトレーニングするための,自己教師付きコントラスト学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-13T08:24:33Z)

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。