論文の概要: Scalable Optimal Classifiers for Adversarial Settings under Uncertainty
- arxiv url: http://arxiv.org/abs/2106.14702v1
- Date: Mon, 28 Jun 2021 13:33:53 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-29 17:43:57.942718
- Title: Scalable Optimal Classifiers for Adversarial Settings under Uncertainty
- Title（参考訳）: 不確実性を考慮した逆設定のためのスケーラブル最適分類器
- Authors: Patrick Loiseau and Benjamin Roussillon
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 10.90668635921398
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We consider the problem of finding optimal classifiers in an adversarial
setting where the class-1 data is generated by an attacker whose objective is
not known to the defender -- an aspect that is key to realistic applications
but has so far been overlooked in the literature. To model this situation, we
propose a Bayesian game framework where the defender chooses a classifier with
no a priori restriction on the set of possible classifiers. The key difficulty
in the proposed framework is that the set of possible classifiers is
exponential in the set of possible data, which is itself exponential in the
number of features used for classification. To counter this, we first show that
Bayesian Nash equilibria can be characterized completely via functional
threshold classifiers with a small number of parameters. We then show that this
low-dimensional characterization enables to develop a training method to
compute provably approximately optimal classifiers in a scalable manner; and to
develop a learning algorithm for the online setting with low regret (both
independent of the dimension of the set of possible data). We illustrate our
results through simulations.
- Abstract（参考訳）: 本稿では, 現実的な応用において重要な側面であるが, これまで文献で見過ごされてきた攻撃者が, クラス1データを生成する対角的環境において, 最適な分類器を見つけるという問題を考察する。
この状況をモデル化するために,ディフェンダーが可能な分類器の集合に対して事前制限のない分類器を選択するベイズゲームフレームワークを提案する。
提案フレームワークの主な難しさは、可能な分類器の集合が可能なデータの集合において指数関数であり、それ自体が分類に使用される特徴の数において指数関数的であることである。
これに対抗するために, ベイズナッシュ平衡は, パラメータの少ない関数的しきい値分類器によって完全に特徴づけられることを示した。
そこで,この低次元キャラクタリゼーションにより,ほぼ最適な分類器をスケーラブルに計算できる訓練手法を考案し,後悔の少ないオンライン設定のための学習アルゴリズムを(可能データの次元とは独立に)開発できることを示した。
シミュレーションによって結果を説明する。
関連論文リスト
- Generating collective counterfactual explanations in score-based
classification via mathematical optimization [4.281723404774889]
インスタンスの反実的な説明は、このインスタンスを最小限に修正して、摂動インスタンスを望ましいクラスに分類する方法を示している。
カウンターファクト・アナリティクスの文献の多くは、単一インスタンスの単一カウントファクト・セッティングに焦点を当てている。
新規な数学的最適化モデルにより、興味ある群における各インスタンスに対する対実的説明を提供する。
論文 参考訳（メタデータ） (2023-10-19T15:18:42Z) - Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。
また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
論文 参考訳（メタデータ） (2023-09-10T10:57:41Z) - Characterizing the Optimal 0-1 Loss for Multi-class Classification with
a Test-time Attacker [57.49330031751386]
我々は,任意の離散データセット上の複数クラス分類器に対するテスト時間攻撃の存在下での損失に対する情報理論的下位境界を求める。
本稿では,データと敵対的制約から競合ハイパーグラフを構築する際に発生する最適0-1損失を求めるための一般的なフレームワークを提供する。
論文 参考訳（メタデータ） (2023-02-21T15:17:13Z) - Determination of class-specific variables in nonparametric
multiple-class classification [0.0]
確率に基づく非パラメトリックな多重クラス分類法を提案し、それを個々のクラスに対して高い影響変数を識別する能力と統合する。
提案手法の特性を報告し, 合成データと実データの両方を用いて, 異なる分類条件下での特性を説明する。
論文 参考訳（メタデータ） (2022-05-07T10:08:58Z) - Exploring Category-correlated Feature for Few-shot Image Classification [27.13708881431794]
本稿では,従来の知識として,新しいクラスとベースクラスのカテゴリ相関を探索し,シンプルで効果的な特徴補正手法を提案する。
提案手法は, 広く使用されている3つのベンチマークにおいて, 一定の性能向上が得られる。
論文 参考訳（メタデータ） (2021-12-14T08:25:24Z) - 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) - Binary Classification from Multiple Unlabeled Datasets via Surrogate Set
Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。
我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文 参考訳（メタデータ） (2021-02-01T07:36:38Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - Inverse Classification with Limited Budget and Maximum Number of
Perturbed Samples [18.76745359031975]
逆分類は、最初に予測されたクラスを変更するサンプルの入力特徴の変化を見つけるためのポストモデリングプロセスである。
本研究では,摂動サンプル数を最大化する逆分類法を提案する。
我々は、勾配法、プロセス、ラグランジュ緩和、ガンベルトリックに基づいて、この問題を解決するアルゴリズムを設計する。
論文 参考訳（メタデータ） (2020-09-29T15:52:10Z) - The Role of Randomness and Noise in Strategic Classification [7.972516140165492]
戦略的分類設定における最適分類器の設計問題について検討する。
多くの自然の場合において、与えられた最適解はプレイヤーが特徴ベクトルを決して変更しない構造を持つことを示す。
また、ノイズ信号が平衡結果を改善することも示している。
論文 参考訳（メタデータ） (2020-05-17T21:49:41Z) - 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。