論文の概要: Robust Certification for Laplace Learning on Geometric Graphs
- arxiv url: http://arxiv.org/abs/2104.10837v1
- Date: Thu, 22 Apr 2021 02:52:21 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-23 22:44:34.900226
- Title: Robust Certification for Laplace Learning on Geometric Graphs
- Title(参考訳): 幾何学グラフを用いたラプラス学習のためのロバスト証明
- Authors: Matthew Thorpe and Bao Wang
- Abstract要約: グラフラプラシアン(GL)に基づく半教師付き学習は、グラフ内のノードを分類する最もよく使われる手法の1つである。
GL分類器に対する最初の対角的ロバスト認証を提供する。
- 参考スコア(独自算出の注目度): 9.873635079670091
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Graph Laplacian (GL)-based semi-supervised learning is one of the most used
approaches for classifying nodes in a graph. Understanding and certifying the
adversarial robustness of machine learning (ML) algorithms has attracted large
amounts of attention from different research communities due to its crucial
importance in many security-critical applied domains. There is great interest
in the theoretical certification of adversarial robustness for popular ML
algorithms. In this paper, we provide the first adversarial robust
certification for the GL classifier. More precisely we quantitatively bound the
difference in the classification accuracy of the GL classifier before and after
an adversarial attack. Numerically, we validate our theoretical certification
results and show that leveraging existing adversarial defenses for the
$k$-nearest neighbor classifier can remarkably improve the robustness of the GL
classifier.
- Abstract(参考訳): グラフラプラシアン(GL)に基づく半教師付き学習は、グラフ内のノードを分類する最もよく使われる手法の1つである。
機械学習(ML)アルゴリズムの敵対的堅牢性の理解と証明は、多くのセキュリティクリティカルな適用領域において重要な意味を持つため、さまざまな研究コミュニティから大きな注目を集めている。
一般的なMLアルゴリズムに対する対向ロバスト性の理論的証明には大きな関心がある。
本稿では,GL分類器に対する最初の対逆ロバスト認証を提案する。
より正確には、敵の攻撃前後のgl分類器の分類精度の差を定量的に限定する。
数値的な検証結果から,$k$-nearest 近傍分類器に既存の対角防御を活用すれば,GL分類器の堅牢性を大幅に向上できることを示す。
関連論文リスト
- Birds of a Feather Trust Together: Knowing When to Trust a Classifier
via Adaptive Neighborhood Aggregation [30.34223543030105]
我々は、NeighborAggがアダプティブ近隣アグリゲーションを介して2つの重要な情報を利用する方法を示す。
また, 誤り検出の密接な関連課題へのアプローチを拡張し, 偽陰性境界に対する理論的カバレッジを保証する。
論文 参考訳(メタデータ) (2022-11-29T18:43:15Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-11-26T21:02:09Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Smooth-Reduce: Leveraging Patches for Improved Certified Robustness [100.28947222215463]
本研究では,Smooth-Reduce の学習自由な修正スムース化手法を提案する。
提案アルゴリズムは,入力画像から抽出した重なり合うパッチを分類し,予測ロジットを集約して,入力周辺の半径が大きいことを証明する。
我々は,このような証明書の理論的保証を提供し,他のランダムな平滑化手法に対する顕著な改善を実証的に示す。
論文 参考訳(メタデータ) (2022-05-12T15:26:20Z) - Source-Free Progressive Graph Learning for Open-Set Domain Adaptation [44.63301903324783]
オープンセットドメイン適応(OSDA)は多くの視覚認識タスクで注目されている。
目的仮説空間を共有空間と未知の部分空間に分解するプログレッシブグラフ学習(PGL)フレームワークを提案する。
また、ソースとターゲットドメインの共存を前提としない、より現実的なオープンソースフリーなオープンセットドメイン適応(SF-OSDA)に取り組みます。
論文 参考訳(メタデータ) (2022-02-13T01:19:41Z) - The Benchmark Lottery [114.43978017484893]
ベンチマーク宝くじ」は、機械学習ベンチマークプロセスの全体的な脆弱さを記述している。
アルゴリズムの相対的性能は、異なるベンチマークタスクを選択するだけで大幅に変化する可能性がある。
論文 参考訳(メタデータ) (2021-07-14T21:08:30Z) - Discriminative Nearest Neighbor Few-Shot Intent Detection by
Transferring Natural Language Inference [150.07326223077405]
データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。
深部自己注意を伴う識別的近傍分類を提示する。
自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
論文 参考訳(メタデータ) (2020-10-25T00:39:32Z) - Certified Distributional Robustness on Smoothed Classifiers [27.006844966157317]
本稿では,ロバスト性証明として,入力分布に対する最悪の逆損失を提案する。
双対性と滑らか性を利用して、証明書のサロゲートとして容易に計算できる上限を与える。
論文 参考訳(メタデータ) (2020-10-21T13:22:25Z) - Analyzing the Real-World Applicability of DGA Classifiers [3.0969191504482243]
DGAによって生成されたドメインから良性ドメインを分離する新しい分類器を提案する。
分類性能を評価し, 説明可能性, 堅牢性, 学習速度, 分類速度について比較した。
新たに提案したバイナリ分類器は,他のネットワークによく適応し,タイムロバストであり,これまで知られていなかったDGAを識別することができる。
論文 参考訳(メタデータ) (2020-06-19T12:34:05Z) - Diversity-Aware Weighted Majority Vote Classifier for Imbalanced Data [1.2944868613449219]
多様性を考慮したアンサンブル学習に基づくアルゴリズム DAMVI を提案する。
本稿では, 予測保守作業, クレジットカード不正検出, ウェブページ分類, 医療応用に関する最先端モデルに関して, 提案手法の効率性を示す。
論文 参考訳(メタデータ) (2020-04-16T11:27:50Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳(メタデータ) (2020-02-07T21:28:30Z)
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。