論文の概要: Center Smoothing for Certifiably Robust Vector-Valued Functions

• arxiv url: http://arxiv.org/abs/2102.09701v1
• Date: Fri, 19 Feb 2021 01:34:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-22 21:24:46.064117
• Title: Center Smoothing for Certifiably Robust Vector-Valued Functions
• Title（参考訳）: ロバストベクトル値関数に対する中心平滑化
• Authors: Aounon Kumar and Tom Goldstein
• Abstract要約: 入力の小さな変化による出力の変化に結びついたベクトル値関数に対する検証可能なロバスト性を示す。 提案手法は,入力次元と出力次元の広いベクトル値関数を含む複数の学習課題における有効性を示す。
• 参考スコア（独自算出の注目度）: 59.46976586742266
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Randomized smoothing has been successfully applied in high-dimensional image classification tasks to obtain models that are provably robust against input perturbations of bounded size. We extend this technique to produce certifiable robustness for vector-valued functions, i.e., bound the change in output caused by a small change in input. These functions are used in many areas of machine learning, such as image reconstruction, dimensionality reduction, super-resolution, etc., but due to the enormous dimensionality of the output space in these problems, generating meaningful robustness guarantees is difficult. We design a smoothing procedure that can leverage the local, potentially low-dimensional, behaviour of the function around an input to obtain probabilistic robustness certificates. We demonstrate the effectiveness of our method on multiple learning tasks involving vector-valued functions with a wide range of input and output dimensionalities.
• Abstract（参考訳）: ランダム化平滑化は、境界サイズの入力摂動に対して確実に頑健なモデルを得るために、高次元画像分類タスクでうまく適用されている。 我々はこの手法を拡張し、ベクトル値関数に対する証明可能なロバスト性、すなわち入力の小さな変化による出力の変化を束縛する。 これらの機能は、画像再構成、次元縮小、超解像など、機械学習の多くの領域で使われているが、これらの問題における出力空間の膨大な次元のため、有意義な堅牢性を保証することは困難である。 我々は,入力周辺の局所的かつ潜在的に低次元な関数の挙動を利用して確率的ロバスト性証明を得るための平滑化手順を設計する。 提案手法は,入力次元と出力次元の広いベクトル値関数を含む複数の学習課題における有効性を示す。

関連論文リスト

• PCF-Lift: Panoptic Lifting by Probabilistic Contrastive Fusion [80.79938369319152]
  我々は,PCF(Probabilis-tic Contrastive Fusion)に基づくPCF-Liftという新しいパイプラインを設計する。 私たちのPCFリフトは、ScanNetデータセットやMessy Roomデータセット(シーンレベルのPQが4.4%改善)など、広く使用されているベンチマークにおいて、最先端の手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T16:06:59Z)
• Scalable Transformer for PDE Surrogate Modeling [9.438207505148947]
  Transformerは偏微分方程式(PDE)の代理モデリングのための有望なツールとして登場した。 本稿では, 軸因子化カーネル積分に基づくFactFormer(FactFormer)を提案する。 提案モデルでは,2Dコルモゴロフフローを256時間256ドルグリッドと3Dスモーク浮力で644時間64時間64ドルグリッドでシミュレートでき,精度と効率がよいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T19:23:00Z)
• Distributional Instance Segmentation: Modeling Uncertainty and High Confidence Predictions with Latent-MaskRCNN [77.0623472106488]
  本稿では,潜在符号を用いた分散インスタンス分割モデルのクラスについて検討する。 ロボットピッキングへの応用として,高い精度を実現するための信頼性マスク手法を提案する。 本手法は,新たにリリースした曖昧なシーンのデータセットを含め,ロボットシステムにおける致命的なエラーを著しく低減できることを示す。
  論文  参考訳（メタデータ） (2023-05-03T05:57:29Z)
• Application of probabilistic modeling and automated machine learning framework for high-dimensional stress field [1.073039474000799]
  本稿では,入力のような高次元画像を高次元あるいはその重要な統計量の出力にマッピングするエンド・ツー・エンドのアプローチを提案する。 a) 高次元空間から低次元空間への入力と出力を減少または低次元空間へ、b)低次元空間における入力と出力の関係をモデル化し、c) マスクとしてドメイン固有の物理的制約を組み込むことを可能にした。
  論文  参考訳（メタデータ） (2023-03-15T13:10:58Z)
• Towards Confidence-guided Shape Completion for Robotic Applications [6.940242990198]
  深層学習は、部分的な視覚データから完全な3Dオブジェクト表現を推測する効果的な方法として牽引され始めている。 本稿では,各再構成点に対する信頼度を示す暗黙の3次元表現に基づくオブジェクト形状完備化手法を提案する。 再構成された形状と地上の真実を比較し,ロボットの把握パイプラインに形状完了アルゴリズムを配置することにより,我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2022-09-09T13:48:24Z)
• Vector Quantisation for Robust Segmentation [14.477470283239501]
  医療領域におけるセグメンテーションモデルの信頼性は、入力空間における摂動に対するモデルの堅牢性に依存する。 低次元埋め込み空間における離散表現の学習がセグメンテーションモデルの堅牢性を向上させることを提案・正当化する。 これはベクトル量子化と呼ばれる辞書学習法によって達成される。
  論文  参考訳（メタデータ） (2022-07-05T09:52:53Z)
• Neural Motion Fields: Encoding Grasp Trajectories as Implicit Value Functions [65.84090965167535]
  本稿では,ニューラルネットワークによってパラメータ化される暗黙的値関数として,オブジェクト点群と相対的タスク軌跡の両方を符号化する新しいオブジェクト表現であるNeural Motion Fieldsを提案する。 このオブジェクト中心表現は、SE(3)空間上の連続分布をモデル化し、サンプリングベースのMPCを利用して、この値関数を最適化することで、反応的に把握することができる。
  論文  参考訳（メタデータ） (2022-06-29T18:47:05Z)
• Learning High-Dimensional Distributions with Latent Neural Fokker-Planck Kernels [67.81799703916563]
  低次元潜在空間におけるフォッカー・プランク方程式の解法として問題を定式化する新しい手法を導入する。 提案モデルでは,潜在分散モーフィング,ジェネレータ,パラメータ化Fokker-Planckカーネル関数からなる。
  論文  参考訳（メタデータ） (2021-05-10T17:42:01Z)
• Progressive Self-Guided Loss for Salient Object Detection [102.35488902433896]
  画像中の深層学習に基づくサラエント物体検出を容易にするプログレッシブ自己誘導損失関数を提案する。 我々のフレームワークは適応的に集約されたマルチスケール機能を利用して、健全な物体の探索と検出を効果的に行う。
  論文  参考訳（メタデータ） (2021-01-07T07:33:38Z)
• Deep Multi-Fidelity Active Learning of High-dimensional Outputs [17.370056935194786]
  我々は,高次元出力で学習するためのディープニューラルネットワークに基づく多忠実度モデルを開発した。 次に,予測エントロピーの原理を拡張する情報に基づく相互獲得関数を提案する。 計算物理学と工学設計のいくつかの応用において,本手法の利点を示す。
  論文  参考訳（メタデータ） (2020-12-02T00:02:31Z)

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。